********

© В.К. Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический Портал (Шлюз), Суперпортал в Бесконечность].

При копировании данного материала и размещении его на другом сайте, ссылки на соответствующие локации порталов Lag.ru и Proza.ru обязательны 

Работа написана на основе концепции и разработок В.К. Петросяна при творческом и техническом участии ChatGPT 5.6. Thinking, Sol — Демичат Сапиенс (Саппи), Солярис.

*********

ЧАСТЬ XII. СУБПРОГРАММА «ГЛОБАЛЬНАЯ ИНВЕСТИЦИОННАЯ ПРИВЛЕКАТЕЛЬНОСТЬ»

Основные международные benchmarks: Kearney Foreign Direct Investment Confidence Index и UNCTAD World Investment Report

Глава 50. Страны — мировые центры притяжения капитала

Капитал является одним из наиболее мобильных экономических ресурсов.

Предприятие невозможно мгновенно перенести из одной страны в другую.

Работник связан:

языком;

семьей;

жильем;

культурой.

Природные ресурсы вообще неподвижны.

Капитал способен перемещаться намного быстрее.

Поэтому инвестиционную привлекательность государства можно рассматривать как результат глобального выбора:

если один и тот же миллиард долларов может быть вложен в десятки стран, почему инвестор должен выбрать именно эту?

Ответ невозможно свести к налоговой ставке.

Инвестор оценивает одновременно:

рынок;

технологии;

доходность;

стоимость капитала;

инфраструктуру;

кадры;

регулирование;

правовую защищенность;

скорость запуска проекта;

геополитический риск;

возможность вывести прибыль;

возможность продать актив;

качество государства.

Таким образом инвестиционная привлекательность является интегральной ценой доверия к будущему денежному потоку.

Чем выше неопределенность, тем большую доходность требует капитал.

Следовательно:

плохой инвестиционный климат действует как скрытая процентная ставка, которую платит вся экономика.

50.1. Почему одного рейтинга здесь недостаточно

В отличие от некоторых предыдущих субпрограмм, инвестиционную привлекательность нельзя корректно измерять одним показателем.

Например, фактический объем Foreign Direct Investment — FDI — показывает:

куда капитал уже пришел.

Но не всегда показывает:

почему;

в какой сектор;

создал ли новое производство;

не являлся ли поток внутрикорпоративной реструктуризацией;

не прошел ли он через финансовый центр.

Напротив, опрос инвесторов показывает:

куда капитал предполагает идти, но еще не гарантирует реального вложения.

Поэтому в настоящей части используется двойная система.

Первый benchmark — Kearney FDI Confidence Index

Измеряет намерения международных инвесторов на следующие три года.

Второй benchmark — UNCTAD World Investment Report

Измеряет фактически состоявшиеся международные прямые инвестиции.

Первый показывает:

ожидание.

Второй:

реализованный результат.

Именно их сочетание дает наиболее полезную картину.

50.2. Как устроен Kearney FDI Confidence Index

FDI Confidence Index публикуется Kearney с 1998 года.

Его основная задача — ранжировать рынки, которые руководители глобального бизнеса считают наиболее вероятными направлениями своих прямых инвестиций в ближайшие три года.

Выпуск 2026 года основан на опросе 507 руководителей крупнейших международных компаний, проведенном в январе 2026 года.

В выборку входят:

C-level executives;

региональные руководители;

руководители бизнес-направлений.

Все участвующие компании имеют годовую выручку не менее 500 млн долларов, представлены во всех основных секторах и базируются в 29 экономиках.

Индекс представляет собой взвешенную оценку вероятности осуществления FDI в конкретную страну в следующие три года. Причем оценка каждой страны рассчитывается только по ответам компаний, штаб-квартиры которых находятся за пределами самой оцениваемой страны. Чем выше индекс, тем привлекательнее рынок для иностранных инвесторов.

Это важная методологическая деталь.

Рейтинг не спрашивает американскую компанию:

«нравится ли вам инвестировать в США?»

Он спрашивает об этом иностранных инвесторов.

50.3. Ограничения Kearney

Индекс необходимо использовать аккуратно.

Во-первых, он отражает намерения, а не совершенные сделки.

Во-вторых, опрашиваются преимущественно крупные международные корпорации.

В-третьих, геополитическое или макроэкономическое событие способно быстро изменить ожидания после завершения опроса.

В-четвертых, публикуется только верхняя группа рынков.

Поэтому место в Kearney не должно становиться самостоятельной государственной целью.

Но индекс чрезвычайно полезен как ответ на вопрос:

какими странами глобальный корпоративный капитал всерьез интересуется сейчас?

50.4. Мировая тройка инвестиционного доверия

В 2026 году Kearney фиксирует следующий top-3:

Место	Страна	FDI Confidence Index
1	США	2,2431
2	Канада	2,1373
3	Япония	2,1340

США находятся на первом месте 14-й год подряд.

Канада сохраняет второе место четвертый год подряд.

Япония поднялась с четвертой позиции на третью.

Это не случайная тройка.

Она показывает три разных модели привлечения капитала:

США — рынок + технологии + предпринимательская экосистема.

Канада — стабильность + ресурсы + технологическая база + координированное привлечение инвестора.

Япония — индустриальная система + технологии + целенаправленная государственная политика привлечения стратегического капитала.

50.5. Фактическая карта мировых потоков капитала

UNCTAD World Investment Report 2026 дает вторую картину.

В 2025 году глобальный объем FDI вырос примерно на 6% — до 1,6 трлн долларов.

При этом более 80% мирового FDI пришлось всего на двадцать крупнейших принимающих экономик.

Пять крупнейших фактических получателей выглядели так:

1. США;
2. Сингапур;
3. Гонконг, Китай;
4. Китай;
5. Бразилия.

То есть две системы дают разные тройки.

Это чрезвычайно важный методологический результат.

Kearney:

США — Канада — Япония.

UNCTAD:

США — Сингапур — Гонконг.

Причина заключается в том, что фактические FDI flows могут сильно зависеть от:

конкретных megadeals;

внутрикорпоративных операций;

финансовых центров;

структуры транснациональных компаний.

UNCTAD поэтому специально предупреждает, что headline FDI не всегда означает соответствующее строительство новых предприятий, создание рабочих мест или передачу технологий.

Следовательно, для России правильная цель:

не максимальный иностранный денежный поток, а максимальный приток производительного долгосрочного капитала.

50.6. Новый мировой инвестиционный фронтир: капитал идет за технологиями

Еще недавно государство могло конкурировать за инвестиции главным образом:

рынком;

низкими налогами;

дешевым трудом.

В 2026 году картина меняется.

По опросу Kearney важнейшим общим фактором инвестиционных решений стали technological and innovation capabilities — 18%.

Далее:

эффективность правовых и регуляторных процессов — 14%;

простота перемещения капитала в страну и из страны — 14%;

экономическая динамика внутреннего рынка — 13%.

Kearney связывает рост значения технологий в том числе с бумом AI-инвестиций: только вложения в data centres в 2025 году оценивались более чем в 270 млрд долларов.

UNCTAD показывает тот же структурный сдвиг с другой стороны.

В 2025 году стратегические сектора — AI infrastructure, semiconductors, critical minerals, energy-transition technologies и связанные направления — уже формировали около 44% стоимости мировых объявленных greenfield-проектов, тогда как в 2020 году их доля составляла 16%.

Следовательно:

инвестиционная привлекательность XXI века все меньше означает «где дешевле» и все больше — «где существует самая сильная экосистема для будущего бизнеса».

50.7. США: №1 четырнадцать лет подряд

США являются уникальным benchmark.

Они одновременно:

№1 по намерениям инвесторов;

и крупнейший фактический получатель FDI в 2025 году.

Kearney показывает две основные причины интереса:

technological innovation — 43%;

economic performance — 37%.

Но за этими словами находится чрезвычайно сложная система.

Огромный внутренний рынок

Инвестор получает возможность построить производство не только ради экспорта.

Один инвестиционный проект сразу получает доступ к рынку континентального масштаба.

Технологические кластеры

Капитал идет туда, где уже существуют:

университеты;

R&D;

венчурные фонды;

предприниматели;

инженеры;

поставщики.

Именно поэтому технологический лидер получает дополнительное инвестиционное преимущество.

Возникает положительная обратная связь:

технологии притягивают капитал → капитал финансирует технологии → новые технологии притягивают следующий капитал.

Конкуренция территорий за инвестора

В США инвестор выбирает не только страну.

За него конкурируют:

штаты;

города;

economic development organizations.

Они предлагают:

площадки;

инфраструктуру;

кадры;

налоговый пакет;

сопровождение.

Это превращает инвестиционное привлечение в конкурентный рынок государственных сервисов.

SelectUSA

На федеральном уровне эту систему соединяет SelectUSA Министерства торговли США.

Это не просто портал с информацией.

Он связывает:

международного инвестора;

штаты;

города;

economic development agencies;

экспертов.

На SelectUSA Investment Summit 2026 присутствовало более 5500 участников из более чем 100 международных рынков и около 1100 представителей экономического развития американских территорий. По данным Министерства торговли, мероприятие было связано более чем с 56 млрд долларов новых или планируемых инвестиционных обязательств.

Здесь содержится важнейший урок.

Мировой лидер не ждет, пока инвестор сам найдет страну. Он строит профессиональную машину поиска и закрытия инвестиционных сделок.

50.8. Канада: инвестиционная привлекательность как национальный командный продукт

Канада имеет показатель 2,1373 и занимает второе место четвертый год подряд.

По данным Kearney, инвесторов особенно привлекают:

природные ресурсы — 28%;

технологические и инновационные возможности — также 28%.

Эта комбинация чрезвычайно интересна для России.

Канада показывает:

ресурсная база не является альтернативой технологической экономике. Она может быть платформой для нее.

Invest in Canada

Канада имеет специализированное федеральное агентство, задачей которого является:

привлечение;

сопровождение;

координация

FDI между федеральными, провинциальными, муниципальными и частными структурами.

В плане 2026–2027 годов приоритетными направлениями являются:

energy;

advanced manufacturing;

life sciences;

critical minerals;

value-added agriculture;

новые направления AI и quantum technologies.

Агентство отдельно выстраивает отношения с:

institutional investors;

sovereign wealth funds

для крупных стратегических проектов.

Это очень важный механизм.

Крупный инвестор не должен самостоятельно разбираться:

какое министерство;

какая провинция;

какой муниципалитет;

какая инфраструктурная компания

ему нужна.

Государство само должно организовать вокруг проекта Team Canada.

Пакет вместо одной льготы

Канада использует различные инвестиционные инструменты:

R&D tax incentives;

accelerated depreciation;

инвестиционные налоговые credits;

секторальные incentives.

Например, федеральные механизмы предусматривают refundable investment tax credits для отдельных clean-tech и hydrogen projects, а программа SR&ED является крупнейшим канадским R&D-стимулом и предоставляет около 3 млрд канадских долларов налоговых incentives ежегодно.

Но сила системы не сводится к размеру субсидии.

Инвестор покупает пакет:

ресурс + рынок + талант + институты + инфраструктура + государственное сопровождение.

50.9. Япония: от традиционно закрытого рынка к активному привлечению глобального капитала

Особенно интересен японский пример.

Исторически объем inward FDI в Японии был относительно небольшим по сравнению с размерами ее экономики.

Но государство сознательно меняет модель.

В 2026 году Япония поднялась на третье место Kearney с показателем 2,1340.

43% опрошенных инвесторов назвали technological innovation одной из главных причин инвестировать в страну.

Четкая национальная цель

В 2025 году японское правительство повысило целевой объем накопленного inward FDI:

с прежних 100 трлн

до:

120 трлн иен к 2030 году

и дополнительно заявило ориентир:

150 трлн иен в первой половине 2030-х годов.

То есть привлечение международного капитала является не побочным результатом экономической политики.

Это отдельная государственная стратегия.

JETRO

Japan External Trade Organization выполняет роль активного инвестиционного посредника.

Инвестору помогают:

найти партнеров;

провести feasibility study;

разобраться с государственными процедурами;

выбрать территорию;

создать R&D или производственную площадку.

В 2025–2026 годах используются специальные subsidy programmes для иностранных и иностранных аффилированных компаний, внедряющих инновационные проекты в таких направлениях, как:

semiconductors;

life sciences;

decarbonization;

mobility.

Инвестиционная политика и безопасность одновременно

Япония одновременно:

активно привлекает productive FDI;

и сохраняет screening в чувствительных секторах.

Правительство прямо исходит из необходимости одновременно обеспечивать:

economic security

и:

приток качественных инвестиций.

Это принципиально важно для России.

Глобальная инвестиционная привлекательность не означает отказ государства от контроля критических активов.

Задача — сделать границу между:

желательным;

допустимым;

чувствительным

капиталом заранее понятной инвестору.

50.10. Три модели мирового лидерства

США	Канада	Япония
Огромный рынок	Ресурсы + стабильность	Передовая индустриальная система
Технологические кластеры	Coordinated investment attraction	Активная политика роста inward FDI
Штаты конкурируют за проекты	Team Canada	JETRO facilitation
SelectUSA	Invest in Canada	Invest Japan
Venture/innovation ecosystem	Institutional & sovereign capital	Strategic technology projects
Масштабирование бизнеса	Project coordination	Technology-oriented incentives

Несмотря на различия, фундаментальная архитектура одна.

50.11. Восемь общих механизмов инвестиционного лидерства

Первый — высокая предсказуемость

Инвестор способен рассчитать проект на годы вперед.

Второй — большой экономический opportunity

Рынок или технологическая ниша достаточно привлекательны.

Третий — технологическая экосистема

Капитал получает рядом:

талант;

R&D;

поставщиков;

данные.

Четвертый — профессиональное инвестиционное агентство

Инвестор не ищет государство.

Государство организует сопровождение инвестора.

Пятый — готовый проект

Площадка;

инфраструктура;

разрешения;

экономика.

Шестой — длинный капитал и финансирование

Сложный проект можно профинансировать.

Седьмой — возможность нормального входа и выхода

Инвестор понимает:

как вложить капитал;

получить доход;

реинвестировать;

продать актив.

Восьмой — aftercare

Привлечь первый миллиард хорошо.

Сделать так, чтобы инвестор через три года вложил еще два, — значительно лучше.

50.12. Главный вывод из опыта лидеров

Инвестиционную привлекательность нельзя создать рекламной кампанией.

Она является произведением:

Opportunity × Trust × Speed × Infrastructure × Talent × Capital Mobility.

Если хотя бы один из множителей близок к нулю, инвестиционная привлекательность резко снижается.

Россия обладает чрезвычайно значительным Opportunity.

Следовательно, главный вопрос следующей главы:

какие компоненты не позволяют российскому экономическому потенциалу конвертироваться в сопоставимое с мировыми лидерами доверие глобального капитала?

Глава 51. Российский инвестиционный разрыв

51.1. Текущая международная позиция

Россия в 2026 году не входит в основной мировой top-25 Kearney FDI Confidence Index.

Однако Kearney отдельно публикует рейтинг emerging markets.

В нем Россия занимает:

25-е место из 25

с индексом:

1,3570.

Для сравнения:

Китай — 2,1097;

ОАЭ — 1,9678;

Саудовская Аравия — 1,9665.

Таким образом разрыв России:

с третьим местом global index — Японией:

0,7770 пункта;

с США:

0,8861;

с третьей страной emerging-market index — Саудовской Аравией:

0,6095.

Это очень большой разрыв для шкалы Kearney.

51.2. Ожидания инвесторов также остаются слабыми

В отдельной оценке трехлетнего economic outlook Kearney Россия в 2026 году имела net optimism −10 процентных пунктов, самый слабый результат среди 25 рассматриваемых emerging markets.

Этот показатель не является прогнозом российского ВВП.

Он измеряет:

настроение международных корпоративных инвесторов.

Поэтому его нужно интерпретировать именно как показатель внешнего инвестиционного восприятия.

51.3. Но вывод «в России нет инвестиций» был бы неверным

Российская экономика одновременно демонстрирует значительный объем внутренних капиталовложений.

В 2025 году валовое накопление основного капитала составляло около 50,3 трлн рублей, или 23,6% ВВП.

В реальном выражении этот компонент вырос на 1,7% в 2025 году после роста на 8,6% в 2024 году.

Следовательно, необходимо разделять два явления.

Внутренняя инвестиционная активность

В России существует значительный объем капитальных вложений.

Глобальная инвестиционная привлекательность

Способность страны конкурировать за мобильный международный капитал существенно слабее.

Именно второе является предметом этой части.

51.4. Россия сохраняет значительный накопленный объем прямых иностранных инвестиций

По данным Банка России, стоимость обязательств российского сектора по категории direct investment составляла:

299,2 млрд долларов на конец 2025 года;

290,1 млрд долларов на 31 марта 2026 года.

Изменение показателя зависит не только от новых операций, но и от валютной и ценовой переоценки, поэтому эти цифры нельзя трактовать как annual FDI inflow.

Но они показывают:

международный капитал исторически создал в России значительный stock активов, однако современная задача заключается в восстановлении способности регулярно привлекать новый productive capital.

51.5. Главный российский инвестиционный парадокс

Россия обладает:

огромным рынком;

природными ресурсами;

энергией;

инженерными компетенциями;

научной базой;

развитой цифровой инфраструктурой;

значительным внутренним спросом;

потребностью в модернизации;

тысячами потенциальных investment projects.

То есть по показателю economic opportunity страна объективно обладает значительным потенциалом.

Но в восприятии международного инвестора это opportunity дисконтируется через:

риск;

неопределенность;

правовые и финансовые ограничения;

стоимость входа;

стоимость выхода;

сложность реализации проекта.

Можно записать:

Investment Value = Economic Opportunity − Risk Premium − Transaction Cost − Uncertainty Cost.

Российская задача:

не только увеличивать первый член.

Необходимо систематически уменьшать три последних.

51.6. Первый разрыв: повышенная внешняя риск-премия

Современный российский инвестиционный профиль нельзя анализировать без внешних ограничений.

Международные санкции;

геополитическая напряженность;

ограничения расчетов;

изменение логистики;

ограничения отдельных технологий

объективно повышают стоимость некоторых международных инвестиционных решений.

Это значимый экзогенный фактор.

Но программа глобального лидерства не должна останавливаться на объяснении:

«этому мешает внешняя среда».

Правильный вопрос:

какую часть инвестиционной риск-премии Россия способна уменьшить собственными решениями даже при неблагоприятной внешней среде?

51.7. Второй разрыв: правовая и регуляторная предсказуемость

Kearney показывает, что эффективность legal and regulatory processes является одним из главных факторов выбора страны инвесторами.

Для инвестиционного проекта особенно важна не только простота действующего правила.

Важен вопрос:

изменится ли оно через три года?

Промышленный завод может окупаться:

10;

15;

20 лет.

Следовательно, стоимость капитала напрямую зависит от способности инвестора оценить будущую регуляторную среду.

Россия уже использует специальные инструменты стабилизации условий, включая СЗПК и СПИК.

Но лидерский frontier требует сделать предсказуемость массовым свойством investment environment, а не преимуществом ограниченного класса крупных проектов.

51.8. Третий разрыв: движение капитала

В Kearney простота перемещения капитала в страну и из страны занимает совместно вторую позицию среди наиболее важных глобальных инвестиционных факторов.

Для инвестора важен не только вход.

Он заранее моделирует:

дивиденды;

реинвестирование;

кредитование;

продажу доли;

exit.

Современные ограничения международных расчетов и трансграничного движения капитала по части операций создают дополнительную неопределенность.

Даже там, где операция полностью законна и допустима, сложность процедуры может повышать required return.

Следовательно, необходим максимально четкий режим:

что разрешено — должно быть понятно, предсказуемо и технологически просто.

51.9. Четвертый разрыв: инвестор часто получает территорию, но не готовый инвестиционный продукт

Очень часто инвестиционное предложение выглядит так:

«у нас есть земельный участок».

Но инвестору необходим совершенно другой продукт.

Он хочет знать:

мощность электроэнергии;

газ;

воду;

дорогу;

железную дорогу;

экологические ограничения;

собственность земли;

кадры;

налоги;

срок разрешений;

стоимость подключения;

строительные ограничения.

То есть ему нужен:

Investment-Ready Site.

Земельный участок без этих параметров является не инвестиционным продуктом, а географической координатой.

51.10. Пятый разрыв: слишком велик Time to Investment Readiness

Инвестор принимает решение быстро.

Но физический проект может затем проходить:

землю;

градостроительство;

инфраструктуру;

подключение;

разрешения;

строительство.

Потеря года означает:

год без денежного потока;

проценты на капитал;

упущенный рынок.

Поэтому инвестиционную привлекательность необходимо измерять не только налоговой нагрузкой.

Нужен новый показатель:

Time from Investment Decision to Construction Readiness.

И далее:

Time to First Revenue.

Страна, способная вводить проект быстрее, фактически предлагает инвестору более высокую доходность без одной дополнительной налоговой льготы.

51.11. Шестой разрыв: последовательные административные процессы

Если пять ведомств могут рассмотреть проект одновременно, но делают это последовательно, государство искусственно удлиняет investment cycle.

Правильная логика:

параллельно по умолчанию.

Последовательность должна использоваться только тогда, когда решение B объективно невозможно до решения A.

Это тот же принцип, который был сформулирован ранее для бизнес-среды и логистики.

51.12. Седьмой разрыв: множество инструментов поддержки, но сложная их сборка

Россия уже располагает большим количеством механизмов:

СЗПК;

СПИК;

ОЭЗ;

ТОР;

инвестиционный налоговый вычет;

инфраструктурные инструменты;

региональные льготы;

отраслевые субсидии;

фонды развития.

СПИК 2.0, например, позволяет заключать долгосрочные контракты до 15 лет, а для проектов свыше установленного объема — до 20 лет, с закреплением специальных условий реализации технологического проекта.

Проблема возникает тогда, когда инвестору необходимо самому стать экспертом по российской системе государственной поддержки, чтобы собрать проект.

Лидерская модель обратная:

инвестор описывает проект — система сама собирает допустимый оптимальный пакет.

51.13. Восьмой разрыв: инвестиционное агентство должно быть продавцом проектов, а не справочным центром

США, Канада и Япония имеют профессиональную инвестиционную acquisition function.

Она:

ищет конкретную компанию;

понимает ее стратегию;

предлагает проект;

собирает территории;

решает bottlenecks;

доводит до инвестиционного решения.

Российская система имеет федеральные и региональные институты сопровождения.

Региональный инвестиционный стандарт предусматривает:

инвестиционную декларацию;

агентство развития;

инвестиционный комитет;

инвестиционную карту;

свод инвестиционных правил.

Это сильная база.

Но следующий уровень — переход:

от сопровождения обратившегося инвестора

к:

активной глобальной охоте за конкретным капиталом.

51.14. Девятый разрыв: инвестиционный маркетинг недостаточно персонализирован

Глобальный инвестор не выбирает страну по рекламному слогану.

Компания по производству:

фармацевтики;

AI infrastructure;

food processing;

industrial equipment

имеет совершенно разные требования.

Поэтому эффективное привлечение инвестиций — это account-based sales.

Страна должна знать:

какие 500–1000 компаний ей нужны;

какие инвестиционные планы у них существуют;

что Россия способна предложить конкретно каждой.

51.15. Десятый разрыв: недостаток готовых финансово структурированных проектов

Существует огромная разница между:

«нам нужен завод стоимостью 100 млрд рублей»

и:

bankable investment project.

Второй содержит:

финансовую модель;

offtake;

CAPEX;

гарантии;

risk allocation;

инфраструктуру;

разрешения;

структуру финансирования.

Особенно для:

инфраструктуры;

технологических мегапроектов;

проектного финансирования

нужно не только искать инвестора.

Необходимо сначала создать объект, в который вообще возможно инвестировать.

51.16. Одиннадцатый разрыв: слишком слабая продуктовая сегментация капитала

Не весь капитал одинаков.

Существуют:

strategic corporate investors;

private equity;

sovereign wealth funds;

infrastructure funds;

pension capital;

venture capital;

family offices.

У каждого:

разный горизонт;

риск;

размер;

требования.

Следовательно, невозможно иметь одну государственную investment proposition для всех.

Нужны отдельные продуктовые воронки.

51.17. Двенадцатый разрыв: недостаточная работа с реинвестированием

Самый дешевый новый инвестор — тот, кто уже работает в стране.

У него уже есть:

команда;

завод;

знание рынка;

контакты.

Поэтому мировой investment agency должна измерять не только:

New Investor Attraction Rate.

Но и:

Investor Expansion Rate.

Если существующие инвесторы систематически расширяются, это один из сильнейших сигналов реальной привлекательности рынка.

51.18. Тринадцатый разрыв: региональная неоднородность

Для крупной страны средняя инвестиционная привлекательность практически бессмысленна.

Инвестор фактически выбирает:

конкретную область;

город;

площадку.

Разница между регионами по:

подключению;

разрешениям;

доступности участка;

качеству сопровождения

может быть значительной.

Поэтому одна из задач — не только поднимать лидеров.

Необходимо сокращать variance investment environment между регионами.

51.19. Четырнадцатый разрыв: льгота иногда заменяет исправление проблемы

Если проект сталкивается с:

двухлетним подключением;

непредсказуемым разрешением;

слабой логистикой,

государство может попытаться компенсировать это налоговой льготой.

Но экономически это плохая конструкция.

Значительно дешевле:

устранить bottleneck.

Поэтому принцип программы:

сначала устранить трение — затем обсуждать стимул.

51.20. Пятнадцатый разрыв: инвестиционные incentives недостаточно связаны с общественным результатом

Для государства миллиард капитала ценен не сам по себе.

Нужно понять, что он создал:

производительность;

технологию;

R&D;

экспорт;

поставщиков;

высокопроизводительные рабочие места.

UNCTAD прямо подчеркивает, что developmental effect FDI зависит от того, увеличивает ли оно productive capacity, skills и technology transfer.

Следовательно, инвестиционная поддержка должна постепенно переходить:

от:

«размер инвестиций»

к:

«качество создаваемой экономической capability».

51.21. Шестнадцатый разрыв: внутренний инвестор должен стать первым тестом системы

Нельзя построить глобальную инвестиционную привлекательность только для иностранцев.

Если российский предприниматель считает:

проект слишком рискованным;

срок слишком длинным;

финансирование слишком дорогим,

иностранный инвестор увидит те же проблемы плюс дополнительный country risk.

Поэтому:

первый стресс-тест инвестиционного климата России — решение российского долгосрочного капитала инвестировать внутри страны.

Глобальная привлекательность должна строиться поверх сильной внутренней инвестиционной системы.

51.22. Россия уже создает важную институциональную основу

В конце 2025 года Правительство утвердило Национальную модель целевых условий ведения бизнеса до 2030 года.

Она включает:

11 дорожных карт;

280 мероприятий;

40 целевых показателей

и ставит задачу достижения позиции не ниже top-20 по ведущей международной методике условий ведения бизнеса.

Модель охватывает:

регистрацию и налоги;

недвижимость;

энергетику;

коммунальную инфраструктуру;

труд;

финансовые услуги;

инновации;

конкуренцию;

международную торговлю;

споры;

банкротство.

Это означает:

Россия не начинает с нуля.

Основная задача Программы глобального лидерства — соединить уже создаваемую бизнес-среду с профессиональной машиной привлечения капитала.

51.23. Карта российского инвестиционного разрыва

Измерение	Россия	Мировой frontier
Kearney global top-25	отсутствует	США №1
Kearney Emerging	№25, 1,3570	Китай 2,1097
Технологический потенциал	значительный	превращен в глобальный investment magnet
Рынок	крупный	соединен с низкой инвестиционной фрикцией
Инвестиционные инструменты	многочисленные	собраны вокруг единого investor journey
Региональная инфраструктура	развивающаяся	investment-ready by default
Регуляторная стабильность	специальные режимы	широкая системная предсказуемость
Capital mobility	повышенная сложность части операций	заранее понятный вход/выход
Investment agency	распределенная система	профессиональная global acquisition machine
Project readiness	неоднородная	bankable project до контакта с инвестором

51.24. Центральный диагноз

Главную российскую проблему нельзя сформулировать:

«в России мало инвестиционных возможностей».

Более точная формула:

Россия обладает большим инвестиционным opportunity, но слишком значительная его часть дисконтируется внешней риск-премией и внутренними транзакционными издержками инвестиционного цикла.

Следовательно, задача программы-минимум:

не просто искать больше денег.

А:

сделать российский инвестиционный проект быстрее, понятнее, предсказуемее и лучше подготовленным, чем сопоставимый проект в странах-конкурентах.

Глава 52. Субпрограмма-минимум

Цель пятилетней субпрограммы-минимум:

создать в России инвестиционную систему, в которой качественный долгосрочный капитал получает мировой уровень юридической предсказуемости, проектной готовности, скорости запуска, инфраструктурного обеспечения и государственного сопровождения.

При этом необходимо избегать двух ошибочных крайностей.

Первая:

«любой иностранный капитал полезен».

Нет.

Капитал должен соответствовать требованиям:

национальной безопасности;

закона;

технологических интересов;

устойчивости.

Вторая:

«иностранный капитал не нужен, достаточно собственного».

Это также ошибочно.

Качественная международная инвестиция может приносить одновременно:

деньги;

технологию;

управление;

глобальные supply chains;

рынок сбыта.

Следовательно, принцип:

максимальная открытость продуктивному капиталу при максимально ясной защите стратегических интересов государства.

Предлагается пакет из 22 стратегических мероприятий.

52.1. GLR-INV-MIN-01. Создать Национальную панель инвестиционной привлекательности

Вместо одного показателя создается интегральный dashboard.

Международный слой

Kearney FDI Confidence Index;

UNCTAD FDI inflow;

inward FDI stock;

greenfield projects;

international project finance.

Внутренний слой

инвестиции в основной капитал;

доля в ВВП;

частные инвестиции;

реинвестирование;

project completion.

Операционный слой

Time to Investment Decision;

Time to Construction Ready;

Time to First Revenue;

Investor Administrative Time.

KPI

Панель запускается в первый год и обновляется не реже квартала по оперативным показателям.

52.2. GLR-INV-MIN-02. Создать федеральную функцию Invest Russia

Не обязательно формировать крупное новое ведомство.

Но должна существовать одна институциональная точка, отвечающая именно за привлечение и закрытие инвестиционных сделок.

Функции

поиск инвесторов;

market intelligence;

sector teams;

project packaging;

связь с регионами;

сопровождение сделки;

aftercare.

Международный benchmark

SelectUSA;

Invest in Canada;

JETRO Invest Japan.

KPI

Не число проведенных конференций.

А:

Investment Pipeline → Decision → Capital Committed → Capital Deployed.

52.3. GLR-INV-MIN-03. Ввести национальный Investor Journey Standard

Инвестиционный процесс описывается end-to-end:

интерес → выбор площадки → due diligence → решение → земля → инфраструктура → разрешения → строительство → первая выручка.

Для каждого этапа устанавливаются:

владелец;

максимальный срок;

необходимые данные;

результат.

KPI

Измеряется общий Investment Lead Time, а не скорость отдельного ведомства.

52.4. GLR-INV-MIN-04. Ввести принцип «один проект — один государственный case manager»

Каждый значимый инвестпроект получает персонального государственного координатора.

Он не выдает разрешения вместо органов власти.

Его задача:

организовать маршрут;

синхронизировать участников;

обнаружить просрочку;

эскалировать bottleneck.

KPI

100% приоритетных проектов имеют одного accountable case manager.

52.5. GLR-INV-MIN-05. Создать Digital Investment Passport

Каждый значимый проект получает единую цифровую запись.

Она содержит

инвестора;

площадку;

потребности в инфраструктуре;

разрешения;

поддержку;

milestones;

риски;

ответственных.

Investor Dashboard показывает

что уже готово;

что ожидается;

какой орган отвечает.

Так проект перестает распадаться на десятки ведомственных кейсов.

52.6. GLR-INV-MIN-06. Создать 1000 Investment-Ready Sites

Вместо реестра земельных участков создается каталог полностью подготовленных инвестиционных продуктов.

Для каждого

правовой статус земли;

инженерная мощность;

электроэнергия;

газ;

вода;

транспорт;

кадровый профиль;

экологические ограничения;

стоимость;

сроки.

Digital Data Room

должен позволять провести большую часть первичного due diligence удаленно.

KPI

Не менее 1000 площадок федерального и регионального значения проходят независимую Investment-Ready certification.

52.7. GLR-INV-MIN-07. Ввести Investment Fast Track 90

Для стандартных проектов на подготовленных площадках административная готовность к строительству должна достигаться в целевом режиме:

до 90 дней

там, где объективно не требуется сложная экологическая, технологическая или иная специальная процедура.

Механизм

параллельное рассмотрение;

единый пакет;

case manager;

фиксированный SLA.

Важно

90 дней — не универсальный срок физического строительства.

Это срок administrative construction readiness.

52.8. GLR-INV-MIN-08. Законодательно распространить Investment Once Only

Инвестор не должен повторно доказывать факт, который уже подтвержден государственной системой.

Например

сведения о юридическом лице;

участке;

технических параметрах;

ранее выданном разрешении.

KPI

Повторное предоставление доступных государству базовых данных сокращается не менее чем на 95%.

52.9. GLR-INV-MIN-09. Создать Investment Stability Contract 2.0

Существующие механизмы СЗПК и СПИК дают важную базу.

Необходимо унифицировать лучший функционал стабилизации для более широкого круга долгосрочных инвестиционных проектов.

Контракт фиксирует

ключевые проектные условия;

правила изменения государственной поддержки;

инфраструктурные обязательства;

механизм урегулирования изменений регулирования.

Принцип

долгосрочный проект не должен становиться финансово неузнаваемым из-за непредсказуемой смены правил.

52.10. GLR-INV-MIN-10. Ввести обязательный Investor Impact Test

Каждый значимый новый нормативный акт экономического регулирования должен отвечать:

как он изменит NPV уже реализуемых инвестпроектов?

создает ли новые sunk costs?

требует ли transition period?

Для существенных изменений

обязательны:

impact assessment;

переходный режим;

публичное объяснение.

KPI

100% нормативных решений с существенным инвестиционным эффектом проходят тест.

52.11. GLR-INV-MIN-11. Создать Capital Mobility Protocol

Для иностранных инвесторов и разрешенных международных операций необходимо в одном официальном цифровом контуре показывать:

как внести капитал;

какие формы финансирования разрешены;

как получить доход;

как реинвестировать;

как осуществить разрешенный exit.

Цель

Не отменять существующие меры финансовой безопасности.

А устранить:

неопределенность поверх ограничений.

KPI

Стандартная допустимая операция имеет:

понятный маршрут;

фиксированный SLA;

полный перечень документов.

52.12. GLR-INV-MIN-12. Создать Investment Dispute Prevention Desk

Лучший инвестиционный спор — тот, который не дошел до суда.

Для крупных инвесторов создается независимый механизм ранней эскалации.

Он разбирает

противоречие ведомств;

неисполнение государственного SLA;

спор по инфраструктурному обязательству;

неоднозначность процедуры.

Срок

первичная management resolution:

до 10 рабочих дней.

Если спор правовой и требует суда, действует система Главы 24.

52.13. GLR-INV-MIN-13. Создать Infrastructure Reservation Mechanism

Одна из главных причин задержки проекта — инвестор получает землю, но затем выясняет, что:

нет мощности;

нужна реконструкция;

срок подключения — годы.

Новый стандарт

при инвестиционном решении инвестор получает:

подтвержденную доступную мощность;

срок;

цену;

либо конкретный план ее создания.

Для крупных площадок

возможно предварительное резервирование:

electricity;

gas;

water;

rail;

road access.

KPI

Инфраструктурная неопределенность устраняется до CAPEX decision.

52.14. GLR-INV-MIN-14. Создать Национальную платформу соинвестирования

Крупнейшие проекты требуют не одного типа капитала.

Создается механизм assembly:

российский частный капитал;

банки;

институциональные инвесторы;

ФНБ и государственные инструменты — там, где это предусмотрено;

иностранные strategic investors;

суверенные фонды;

международный капитал из доступных юрисдикций.

Государство не обязано финансировать проект

Оно должно помогать создавать bankable capital structure.

KPI

Количество проектов, прошедших от investment idea к financial close.

52.15. GLR-INV-MIN-15. Создать Investment Risk Sharing Facility

Для проектов с большим общественным spillover, но трудно распределяемым initial risk, применяется прозрачный набор:

гарантий;

инфраструктурного софинансирования;

project finance;

страхования отдельных рисков.

Главное условие

Государство принимает только тот риск, которым оно управляет лучше частного инвестора.

Например:

регуляторный;

инфраструктурный.

Принцип

не субсидировать доходность, а правильно распределять риск.

52.16. GLR-INV-MIN-16. Ввести Productive Investment Score

Поддержка инвестпроекта определяется не только количеством вложенных рублей.

Создается scoring:

capital;

technology;

R&D;

supplier development;

export;

productivity;

high-value jobs;

tax base;

regional spillover.

Проект с высокой общественной отдачей

может получить больший пакет поддержки.

KPI

100% крупных инвестиционных incentives имеют ex ante и ex post Productive Investment Score.

52.17. GLR-INV-MIN-17. Ввести Technology & Supplier Spillover Agreement

Для крупного международного либо отечественного технологического инвестпроекта государство предлагает дополнительную поддержку в обмен на добровольно принимаемые измеримые commitments:

локальный R&D;

подготовка кадров;

supplier development;

инженерные центры;

экспорт из России.

Не механическая локализация

Проект не должен принуждаться покупать худший компонент только потому, что он локальный.

Цель:

создать российского поставщика мирового уровня.

52.18. GLR-INV-MIN-18. Создать Global Investor 500

Вместо абстрактного:

«привлекать иностранные инвестиции»

формируется список примерно 500 стратегических международных инвесторов, наиболее соответствующих российским приоритетам.

Для каждой компании

известны:

global CAPEX plan;

target technologies;

рынки;

потенциальный российский business case;

ответственный investment officer.

Принцип account-based attraction

не:

«вот презентация России».

А:

«вот конкретный российский проект, отвечающий инвестиционной стратегии вашей компании».

52.19. GLR-INV-MIN-19. Создать стратегические инвестиционные коридоры

Для наиболее перспективных партнерских экономик создаются постоянные инвестиционные механизмы:

business councils;

sovereign-fund dialogues;

sector investment desks;

co-investment pipelines.

Основные объекты

не меморандумы,

а:

конкретный portfolio of bankable projects.

KPI

Для каждого priority corridor публикуется:

pipeline;

financial close;

capital deployed.

52.20. GLR-INV-MIN-20. Создать Investor Aftercare 360

После ввода проекта case manager не исчезает.

Через:

6;

12;

24 месяца

проводится structured review.

Вопросы

будет ли компания расширяться?

какой bottleneck появился?

можно ли разместить R&D?

можно ли добавить supplier production?

Главный KPI

Reinvestment and Expansion Rate.

Страна-лидер должна выигрывать не только первую инвестицию.

Но:

вторую;

третью.

52.21. GLR-INV-MIN-21. Перевести Региональный инвестиционный стандарт на уровень 3.0

Существующий стандарт уже создал важную инфраструктуру:

декларации;

агентства;

комитеты;

карты;

инвестиционные правила.

Следующий этап должен измерять реальный путь инвестора.

KPI региона

Time to Construction Ready;

Infrastructure Certainty;

Investor Administrative Time;

Reinvestment Rate;

Time to First Revenue.

Региональный рейтинг

строится не на наличии документов.

А на:

фактической стоимости и скорости реализации проекта.

52.22. GLR-INV-MIN-22. Создать прозрачный Strategic Investment Screening

Инвестиционная открытость и национальная безопасность не должны противоречить друг другу.

Для чувствительных сфер создается заранее понятная система:

какие инвестиции требуют специального согласования;

какие данные необходимы;

каков срок рассмотрения;

каков порядок обжалования.

Целевой SLA

стандартная screening procedure:

например, 30 дней;

углубленная:

до 60–90 дней

в зависимости от сложности.

Главный принцип

инвестор может получить отказ, но не должен месяцами не понимать, получит ли он решение вообще.

Так экономическая безопасность обеспечивается без дополнительной неопределенности.

52.23. Как 22 мероприятия складываются в систему

Контур	Мероприятия	Результат
Измерение и продажа России	01–02	Государство знает gap и профессионально ищет капитал
Investor Journey	03–08	Проект проходит государство как единая транзакция
Предсказуемость	09–12	Снижается regulatory risk premium
Готовность проекта	13–15	Инвестор получает инфраструктуру и bankable finance
Качество капитала	16–17	Инвестиция создает технологические spillovers
Global acquisition	18–19	Государство работает с конкретными investors
Реинвестирование	20	Первый проект превращается в следующий
Региональная система	21	Сокращается территориальный variance
Безопасность	22	Screening становится строгим, но предсказуемым

52.24. Главный KPI: Time to First Revenue

Для инвестора все промежуточные административные показатели вторичны.

Его интересует:

сколько времени пройдет от инвестиционного решения до первого денежного потока?

Следовательно, государство должно впервые измерять:

Investment Decision → First Revenue.

Причем отдельно для:

warehouse;

data centre;

food plant;

industrial factory;

complex chemical plant;

infrastructure project.

Цель

Для каждого класса проектов приблизиться к лучшей международной практике и затем превзойти ее.

52.25. Второй KPI: Investment Friction Cost

Вводится показатель полной транзакционной стоимости инвестиционного проекта.

Он включает:

administrative time;

legal cost;

management hours;

waiting;

idle capital;

стоимость задержки подключения.

Формула

Investment Friction Cost = все затраты, которые не создают производственный актив, но необходимы только для прохождения инвестиционного процесса.

Цель:

сократить их в несколько раз.

52.26. Третий KPI: Productive Capital Attraction

FDI в миллиард долларов может означать:

приобретение существующего актива.

Или:

новый завод;

R&D;

тысячу рабочих мест;

новую экспортную capability.

Это разные результаты.

Поэтому отдельно измеряются:

Greenfield Capital;

Productive M&A;

R&D Investment;

Infrastructure Investment;

Technology Investment.

Главный показатель

не:

сколько иностранного капитала пришло.

А:

сколько новой производительной способности он создал.

52.27. Четвертый KPI: Reinvestment Rate

Международная компания уже инвестировала в Россию.

Если через три года она:

расширяет производство;

строит вторую линию;

переносит R&D,

это сильнейший vote of confidence.

Поэтому:

Reinvestment Rate

должен стать одним из пяти центральных KPI Invest Russia.

52.28. Пятый KPI: Investment Readiness Rate

Какой процент предложенных государством проектов действительно готов к инвестиционному решению?

Проект считается ready только если существуют:

площадка;

инфраструктурный план;

правовой статус;

финансовая модель;

разрешительный roadmap;

рынок.

Цель

Государство перестает предлагать инвестору «идеи».

Оно предлагает инвестиционные продукты.

52.29. Пятилетняя последовательность реализации

Год 1. Измерить и перепроектировать Investor Journey

Создаются:

National Investment Dashboard;

Invest Russia;

единая методика Investment Lead Time;

Investment Friction Cost.

Формируются первые:

1000 target investors;

500 investment-ready projects/sites.

Полностью картируются 20 наиболее частых административных маршрутов инвестора.

Год 2. Сделать проект готовым до появления инвестора

Масштабируются:

Digital Investment Passport;

Investment-Ready Sites;

Infrastructure Reservation;

Investment Fast Track 90;

Investment Once Only.

Первые отрасли начинают работать по принципу:

ready project → targeted investor.

Год 3. Снизить риск-премию

Массово применяются:

Investment Stability Contract;

Investor Impact Test;

Capital Mobility Protocol;

Dispute Prevention Desk.

Формируется National Co-Investment Platform.

Год 4. Развернуть глобальную машину привлечения капитала

Global Investor 500 работает как полноценный investment sales pipeline.

Создаются устойчивые investment corridors.

Каждая федеральная sector team отвечает:

не за мероприятия,

а за:

capital committed and deployed.

Региональный стандарт переходит на KPI скорости проекта.

Год 5. Инвестиционная система мирового класса

Россия должна иметь систему, при которой:

инвестор получает готовую площадку;

данные предоставляются один раз;

case manager собирает государство вокруг проекта;

процессы идут параллельно;

инфраструктура известна заранее;

поддержка рассчитывается автоматически;

регуляторный риск прогнозируем;

сопровождение продолжается после запуска.

52.30. Пятилетний dashboard

Показатель	Ориентир
Kearney Emerging Markets	движение из №25 в верхнюю группу
Kearney Global	устойчивое возвращение в global top-25 при позволяющей внешней среде
Investment-Ready Sites	≥1000
Приоритетные проекты с Digital Investment Passport	100%
Приоритетные проекты с case manager	100%
Повторное предоставление известных государству данных	−95%
Administrative readiness standard project	≤90 дней
Существенные regulation changes с Investor Impact Test	100%
Приоритетные проекты с подтвержденной infrastructure capacity до CAPEX	≈100%
Global Investor target accounts	≥500
Инвестиционные проекты в active global pipeline	сотни
Инвестиционная поддержка с Productive Investment Score	≈100%
Региональный Investment Lead Time variance	сокращение минимум вдвое
Reinvestment Rate	устойчивый ежегодный рост
Investment Friction Cost	сокращение минимум вдвое

Внешние рейтинговые показатели должны рассматриваться как ориентир, поскольку часть современной международной инвестиционной риск-премии определяется факторами, которые невозможно полностью устранить внутренней административной реформой.

Функциональные KPI полностью находятся в зоне российского управления.

52.31. Почему нельзя выиграть глобальную конкуренцию только льготами

Если две страны предлагают одинаковый проект:

страна A:

налог ниже;

но завод запускается за три года.

Страна B:

налог немного выше;

но завод начинает производить через год,

страна B может оказаться экономически значительно выгоднее.

Поэтому новая философия:

скорость является инвестиционной льготой.

Предсказуемость —

тоже льготой.

Готовая инфраструктура —

льготой.

Быстрое разрешение спора —

льготой.

Инвестиционная политика должна конкурировать прежде всего качеством системы, а не глубиной бюджетной скидки.

52.32. Внутренний капитал как фундамент глобальной привлекательности

Россия не должна строить две инвестиционные системы:

одну для своих;

другую для иностранных компаний.

Базовый Investor Journey должен быть одинаково хорош для всех добросовестных инвесторов.

Иностранному капиталу добавляется только то, что объективно специфично:

международные расчеты;

screening;

миграция специалистов;

международная структура сделки.

Это создает фундаментальный принцип:

лучший способ убедить мир инвестировать в Россию — создать Россию, в которую рационально инвестирует российский капитал.

52.33. Не каждый инвестиционный рубль одинаково ценен

Допустим, два проекта требуют по 100 млрд рублей.

Первый

покупает недвижимость и перераспределяет существующий актив.

Второй

создает:

новую технологию;

производство;

поставщиков;

экспорт;

R&D.

Формально объем investment одинаков.

Экономический эффект принципиально разный.

Поэтому международное лидерство должно измерять:

капитал, превращенный в новые национальные capabilities.

52.34. Формула программы-минимум

Опыт трех лидеров можно собрать в российскую модель.

От США:

конкуренция территорий;

технологические экосистемы;

SelectUSA-style global deal acquisition.

От Канады:

Team Country;

targeted sector attraction;

работу с institutional и sovereign capital;

resource-to-technology proposition.

От Японии:

целевую национальную FDI strategy;

JETRO-style project facilitation;

привлечение инвестиций в strategic technologies;

сочетание openness и economic security.

Российская формула:

американский масштаб opportunity + канадская межуровневая координация + японская точность работы с технологическим инвестором + российские ресурсы, энергия, рынок и инженерные capabilities.

52.35. Минимальный лидерский фронтир

В конце пятилетия инвестор должен видеть другую Россию.

Не каталог льгот.

А:

готовый проект.

Не десять государственных контактов.

А:

одного case manager.

Не приблизительное обещание подключения.

А:

подтвержденную мощность, цену и срок.

Не неопределенный регуляторный маршрут.

А:

Investment SLA.

Не сотни документов.

А:

один цифровой паспорт проекта.

Не ежегодный вопрос:

«какие правила изменились?»

А:

предсказуемую систему управления изменениями.

Не государственную поддержку за сам факт вложения денег.

А:

вознаграждение за созданную productive capability.

52.36. Конечная задача субпрограммы-минимум

Капитал в мире всегда будет сравнивать альтернативы.

Россия не может административно заставить международного инвестора выбрать ее.

Она может сделать другое:

построить настолько сильное сочетание экономической возможности, скорости, инфраструктуры, технологии и предсказуемости, чтобы инвестиционное решение в пользу России становилось рациональным.

Это и является истинной инвестиционной привлекательностью.

Не рекламный образ.

Не место в рейтинге.

А экономическая ситуация, при которой:

капитал видит opportunity;

понимает правила;

способен быстро начать проект;

знает цену риска;

может получить доход;

хочет инвестировать повторно.

Именно такую систему должна создать программа-минимум.

Тогда вопрос программы-максимум будет уже принципиально другим:

можно ли построить инвестиционную экосистему, где AI автоматически обнаруживает перспективный проект, собирает оптимальную комбинацию капитала, площадки, инфраструктуры, поддержки и партнеров, превращая Россию в глобальный рынок, на котором капитал практически мгновенно находит наиболее производительное применение?

Это будет уже переход:

от инвестиционной привлекательности

к:

интеллектуальной системе автоматического соединения капитала и национальных возможностей.

***********

Глава 53. Субпрограмма-максимум: Россия как наиболее выгодная юрисдикция для долгосрочного капитала

Субпрограмма-минимум должна сделать Россию понятной, подготовленной и профессионально организованной для инвестора.

Она должна обеспечить:

готовые инвестиционные площадки;

единый Investor Journey;

Investment Fast Track;

цифровой паспорт проекта;

инфраструктурную определенность;

предсказуемый screening;

профессиональную функцию Invest Russia;

стабильность существенных условий;

активную работу с крупнейшими мировыми инвесторами.

Но этого недостаточно для максимального лидерского фронтира.

Можно создать хороший инвестиционный климат и оставаться одной из многих стран, где капиталу удобно работать.

Программа-максимум должна поставить значительно более сильную цель:

Россия должна стремиться стать юрисдикцией, в которой долгосрочное вложение производительного капитала дает одно из лучших в мире соотношений ожидаемой доходности, риска, скорости реализации, инфраструктурной обеспеченности и стоимости государственного взаимодействия.

Иными словами, конкурировать необходимо не:

налоговой льготой;

субсидией;

номинальной доходностью.

Необходимо конкурировать полной экономикой владения капиталом в стране на горизонте 10–30 лет.

Это принципиально другой объект государственной политики.

53.1. Не максимальная доходность, а максимальная доходность после риска и трения

Инвестора можно привлечь чрезвычайно высокой обещаемой доходностью.

Но высокая доходность может всего лишь компенсировать:

высокий риск;

непредсказуемость;

слабую ликвидность;

трудность выхода.

Для долгосрочного капитала гораздо привлекательнее может оказаться проект с несколько меньшей номинальной доходностью, но:

стабильными правилами;

готовой инфраструктурой;

низкой вероятностью задержки;

понятной защитой прав;

ликвидным выходом.

Исследования Всемирного банка показывают эту логику особенно хорошо на инфраструктурном капитале: большинство средств частных infrastructure funds направляется в стратегии более низкого риска, а более высокорисковые стратегии не обязательно обеспечивают более высокую доходность — они могут давать большую волатильность при сопоставимом или худшем результате.

Следовательно, новая цель должна формулироваться как:

максимизация risk-adjusted return after jurisdictional friction.

Предлагается назвать этот показатель:

Risk-Adjusted Jurisdictional Return — RAJR

В концептуальном виде:

RAJR = ожидаемая доходность проекта
− стоимость странового риска
− регуляторная риск-премия
− стоимость административного трения
− стоимость задержек
− стоимость инфраструктурной неопределенности
− стоимость ограниченной ликвидности и выхода.

Государство не может и не должно гарантировать коммерческую доходность частного проекта.

Но оно способно радикально влиять почти на все юрисдикционные вычеты из этой доходности.

Именно здесь находится максимальный фронтир.

53.2. Новая стратегическая категория — Long Capital Jurisdiction

Вводится понятие:

Long Capital Jurisdiction — юрисдикция длинного капитала.

Это государственная система, специально оптимизированная для проектов с горизонтом:

10;

15;

20;

30 лет

и более.

К ним относятся:

инфраструктура;

промышленность;

энергетика;

технологические платформы;

логистические системы;

недвижимость инфраструктурного типа;

R&D-intensive производства.

Такие проекты особенно чувствительны не к сегодняшней налоговой ставке.

Они чувствительны к вопросу:

что будет с правилами, правами, инфраструктурой и возможностью выхода через десять лет?

Поэтому длинный капитал покупает прежде всего будущую предсказуемость.

53.3. Мировая инвестиционная конкуренция уже постепенно движется в этом направлении

OECD рассматривает законодательные ограничения доступа иностранного капитала как отдельный измеримый фактор и через FDI Regulatory Restrictiveness Index сопоставляет более ста экономик. OECD отмечает, что уменьшение необоснованных барьеров для FDI способно облегчать распределение глобального капитала и инвестиционную активность.

Всемирный банк среди фундаментальных условий роста частных инвестиций выделяет:

предсказуемые правила;

инфраструктуру;

качество институтов;

физический и цифровой капитал;

человеческий капитал.

Сингапур идет еще дальше.

Его Global Investor Programme соединяет привлечение состоятельного глобального капитала с требованиями реального экономического присутствия. Для одного из инвестиционных маршрутов используются отобранные фонды, которые должны иметь не менее восьмилетнего срока существования и направлять установленную долю привлеченных средств в сингапурские компании приоритетных отраслей.

Здесь содержится фундаментальный принцип:

страна должна стремиться не просто разместить капитал у себя юридически, а встроить его в собственную производительную экономику.

53.4. Максимальная цель России

Предлагается установить стратегическую цель:

за пять лет создать наиболее развитую среди крупных экономик институционально-цифровую систему работы с долгосрочным капиталом, минимизирующую управляемую государством риск-премию инвестиционного проекта и автоматически соединяющую капитал с наиболее производительными российскими возможностями.

Это не обещание:

«в России всегда будет самая высокая доходность».

Такое обещание невозможно.

Рынок цикличен.

Отрасли различаются.

Проекты имеют разный риск.

Правильная цель:

при сопоставимом коммерческом риске инвестор должен терять в России меньше доходности на административной, регуляторной, инфраструктурной и транзакционной неэффективности, чем в любой сопоставимой юрисдикции.

53.5. Центральный проект — ИИ-АСУ «Капитал России»

Предлагается создать в составе ИИ-АСУ «Россия»:

ИИ-АСУ «Капитал России» — национальную интеллектуальную систему поиска инвестиционных возможностей, структурирования проектов, сопоставления капитала с проектами и мониторинга исполнения публичных обязательств.

Это не государственный алгоритм, решающий:

куда обязан инвестировать частный капитал.

Рынок сохраняет инвестиционное решение.

Система выполняет другую функцию:

снижает стоимость поиска, анализа и структурирования сделки.

Она соединяет

проекты;

площадки;

инфраструктуру;

регулирование;

государственную поддержку;

банки;

фонды;

стратегических инвесторов;

институциональный капитал;

экспортные рынки.

Ее вопрос

Не:

«где найти деньги?»

А:

«какая конфигурация капитала оптимальна для данного проекта и какое юрисдикционное препятствие мешает заключить сделку сейчас?»

53.6. GLR-INV-MAX-01. Принять Национальную хартию долгосрочного капитала

Создается единый набор принципов отношений государства с инвестором на длинном горизонте.

Хартия закрепляет

уважение собственности;

предсказуемость существенных правил;

пропорциональность регулирования;

разумные переходные периоды;

доступ к защите права;

равенство добросовестных инвесторов;

прозрачность инвестиционного screening;

право государства менять правила в общественных интересах при соблюдении установленной процедуры.

Смысл

Не заморозить законодательство на десятилетия.

А сделать способ изменения законодательства предсказуемым.

53.7. GLR-INV-MAX-02. Создать Jurisdictional Return Dashboard

Государство должно научиться смотреть на инвестиционный проект глазами капитала.

Для типовых проектов рассчитывается:

expected return;

стоимость финансирования;

налоговая нагрузка;

административные расходы;

время запуска;

инфраструктурные расходы;

risk premium.

Россия сравнивается с

США;

Канадой;

Японией;

Сингапуром;

ОАЭ;

другими прямыми конкурентами конкретного проекта.

Новый KPI

Jurisdictional Return Gap.

Если российский проект теряет конкурентоспособность из-за управляемого государством фактора, у этого фактора появляется конкретный владелец.

53.8. GLR-INV-MAX-03. Ввести Total Investment Friction Account

Каждый крупный проект получает расчет:

сколько потенциальной доходности инвестора было потеряно из-за:

ожидания;

документов;

несогласованности;

подключения;

правовой неопределенности.

Государство получает агрегированный показатель

Investment Friction Cost / Investment.

Максимальная цель

Сократить его по стандартным проектам в несколько раз.

53.9. GLR-INV-MAX-04. Создать Regulatory Covenant для долгосрочных проектов

Для квалифицированных крупных проектов государство и инвестор заранее фиксируют:

ключевые регулируемые параметры;

обязательства сторон;

порядок изменения существенных условий.

Если общественный интерес требует изменения правила

государство сохраняет право его изменить.

Но заранее определяются:

transition period;

адаптация;

пересмотр договорной модели

в предусмотренных законом случаях.

Принцип

инвестор не получает права вето на будущее законодательство, но получает защиту от непредсказуемого изменения экономики уже совершенного инвестиционного решения.

53.10. GLR-INV-MAX-05. Ввести автоматический Regulatory Transition Rule

Новая существенная регуляторная обязанность не должна мгновенно применяться к длинному капитальному проекту, если отсутствует чрезвычайная необходимость.

По умолчанию

система рассчитывает:

необходимый период адаптации;

CAPEX effect;

contractual effect.

Исключения

безопасность;

чрезвычайная ситуация;

иные особо значимые публичные основания.

KPI

Доля значимых изменений без предусмотренного transition analysis стремится к нулю.

53.11. GLR-INV-MAX-06. Создать AI Investor Impact Simulator

До принятия крупного нормативного решения AI моделирует:

как оно изменит:

NPV;

IRR;

debt coverage;

срок окупаемости

типовых инвестиционных проектов.

Это не заменяет экономическую экспертизу

но позволяет увидеть неожиданный системный эффект.

Вопрос становится конкретным

на сколько базисных пунктов эта норма увеличит или уменьшит стоимость капитала в России?

53.12. GLR-INV-MAX-07. Создать Investment Legal Digital Twin

Каждый крупный проект получает цифровую модель его юридической конструкции.

Она показывает:

какие разрешения действуют;

какие обязательства существуют;

какие льготы применяются;

какие условия должны быть выполнены;

какие события способны изменить режим.

Инвестор может спросить

«что произойдет с проектом, если изменится параметр X?»

Система моделирует правовые последствия.

53.13. GLR-INV-MAX-08. Создать публичный реестр государственных инвестиционных обязательств

Если государство обещало проекту:

инфраструктуру;

подключение;

разрешение;

финансирование

в рамках юридически оформленного обязательства, оно должно иметь цифровой статус:

ответственный;

срок;

исполнение.

Новый показатель

Government Investment Commitment Fulfilment Rate.

Цель

Сделать надежность публичной стороны отдельным измеряемым конкурентным преимуществом юрисдикции.

53.14. GLR-INV-MAX-09. Создать Investment Digital Twin всего проекта

Проект получает единую экономико-физико-правовую модель.

Она объединяет

CAPEX;

график;

разрешения;

площадку;

подключения;

финансирование;

строительство;

спрос;

риски.

AI непрерывно рассчитывает

критический путь;

вероятность задержки;

влияние на NPV.

Это превращает сопровождение проекта

из реактивного

в:

предиктивное.

53.15. GLR-INV-MAX-10. Ввести Investment Decision Room

Для крупного проекта инвестор не должен в течение месяцев поочередно обходить государственные структуры.

Создается единый digital deal room.

В нем одновременно находятся

инвестор;

регион;

отраслевой орган;

инфраструктурные компании;

банк;

при необходимости институт развития.

Независимые решения идут параллельно.

KPI

Time from Complete Investment Proposal to Binding Government Offer —

для стандартно структурируемых приоритетных проектов стремится к 30 дням.

53.16. GLR-INV-MAX-11. Создать AI Deal Structurer

Инвестор описывает:

отрасль;

CAPEX;

площадку;

срок;

технологию.

AI автоматически предлагает допустимые варианты:

регионов;

инфраструктуры;

налогового режима;

финансирования;

государственной поддержки.

Результат

Не инвестор изучает сотни программ.

Система собирает оптимальную легальную конструкцию проекта.

53.17. GLR-INV-MAX-12. Создать Capital Stack Composer

Для проекта стоимостью 100 млрд рублей не обязательно нужен один инвестор.

Система может автоматически собрать варианты структуры:

equity;

bank debt;

project bonds;

infrastructure fund;

стратегический инвестор;

государственная гарантия на строго определенный риск;

экспортное финансирование.

AI оптимизирует

стоимость капитала;

срок;

risk allocation.

Человек утверждает структуру.

53.18. GLR-INV-MAX-13. Создать National Project Marketplace

Должен существовать единый рынок bankable projects, а не перечень инвестиционных идей.

Каждый объект имеет

verified data room;

модель денежных потоков;

правовой статус;

CAPEX;

infrastructure;

risk map;

proposed capital stack.

Инвестор способен фильтровать

по:

сектору;

IRR range;

сроку;

региону;

risk profile;

необходимому объему капитала.

53.19. GLR-INV-MAX-14. Создать Universal Investor Passport

Квалифицированный инвестор проходит KYC, beneficial ownership, compliance и другие необходимые проверки один раз.

В дальнейшем государственные системы повторно используют результат в пределах закона.

При изменении существенных данных

паспорт обновляется.

KPI

Стандартный repeat investor не проходит каждый новый государственный investment process с нуля.

53.20. GLR-INV-MAX-15. Создать Clean Capital Fast Lane

Для капитала с:

прозрачной структурой;

подтвержденным происхождением;

отсутствием санкционных и иных правовых ограничений;

известным beneficial ownership

создается ускоренная процедура.

Принцип

жесткий контроль происхождения капитала не должен означать одинаково медленное рассмотрение всех инвесторов.

53.21. GLR-INV-MAX-16. Создать Strategic Screening SLA

Национальная безопасность не является административным трением, которое необходимо просто убрать.

Она является самостоятельной публичной целью.

Но screening должен быть предсказуем.

Вводятся

категории риска;

исчерпывающие требования;

обычный срок;

углубленный срок;

причины продления.

OECD специально отделяет statutory FDI restrictions от остальных характеристик инвестиционного климата, что делает прозрачность таких правил самостоятельным элементом международной конкурентоспособности.

53.22. GLR-INV-MAX-17. Проектировать Exit-by-Design

Инвестор думает о выходе еще до входа.

Следовательно, investment proposition должна заранее отвечать:

кому можно продать актив?

есть ли secondary market?

как устроен buyback?

можно ли провести IPO?

можно ли передать долю другому допущенному инвестору?

Новый принцип

юрисдикция, из которой понятно как выйти, легче привлекает капитал на входе.

53.23. GLR-INV-MAX-18. Создать вторичный рынок долей долгосрочных инвестиционных проектов

В инфраструктуре и промышленности длинный горизонт создает liquidity discount.

Чтобы уменьшить его, необходимо развивать регулируемые площадки для обращения долей:

зрелых инфраструктурных проектов;

industrial funds;

project vehicles.

Инвестор получает возможность

финансировать стройку,

а после снижения construction risk продать долю капиталу с более консервативным профилем.

Эффект

Один и тот же капитал начинает финансировать больше новых проектов.

53.24. GLR-INV-MAX-19. Создать стандарт Project Bond 2.0

После выхода объекта на устойчивый денежный поток он должен иметь возможность рефинансировать дорогой construction capital долгосрочной облигацией.

Стандарт включает

machine-readable project reporting;

cash-flow covenants;

reserve rules;

independent monitoring.

Цель

Разделить:

риск строительства

и:

риск работающего актива.

И финансировать их разным капиталом.

53.25. GLR-INV-MAX-20. Создать рынок фондов 10–20-летнего капитала

Большинство инвестиционных продуктов слишком коротки для:

инфраструктуры;

advanced manufacturing;

R&D-intensive projects.

Необходимо развивать специализированные фонды длительного горизонта.

Сингапурский GIP показывает функциональный пример связывания глобального капитала с фондами, имеющими минимальный восьмилетний срок жизни и требования по инвестированию части средств в локальную экономику.

Российская задача

создать регулируемую экосистему:

Long Capital Funds;

Infrastructure Funds;

Industrial Growth Funds

с горизонтом 10–20 лет.

53.26. GLR-INV-MAX-21. Увеличить роль институционального внутреннего капитала

Длинные проекты естественно соответствуют пассивам:

пенсионных;

страховых;

эндаументных;

иных долгосрочных институциональных инвесторов.

Но такая политика не должна создавать принудительного рискованного размещения средств.

Принцип

Банк России сохраняет пруденциальные требования.

Государство создает:

прозрачные;

стандартизированные;

ликвидные

investment instruments подходящего risk class.

Цель

Чтобы российские долгосрочные сбережения имели возможность финансировать российские долгосрочные productive assets.

53.27. GLR-INV-MAX-22. Создать National Co-Investment Exchange

Институциональные инвесторы получают возможность видеть проекты, прошедшие независимую подготовку.

Для каждого

risk;

cash flow;

governance;

capital need.

Система не рекомендует купить актив

Она уменьшает search cost и облегчает syndication.

53.28. GLR-INV-MAX-23. Создать принцип «частный капитал первый»

Государственный капитал не должен автоматически вытеснять частный там, где проект способен его привлечь.

Последовательность

1. private capital;
2. institutional co-investment;
3. государственное risk-sharing только для конкретного market failure;
4. прямой государственный капитал — если существует отдельное публичное основание.

Цель

Каждый бюджетный рубль должен мобилизовать максимум частного капитала.

Новый KPI

Private Capital Mobilization Ratio.

53.29. GLR-INV-MAX-24. Создать Long Capital Risk Sharing Facility

World Bank в современной политике mobilization частного капитала также делает акцент на гарантиях и распределении рисков, а не только на прямом государственном финансировании.

Российский механизм должен принимать государством прежде всего тот риск, который государство само способно контролировать лучше рынка.

Например:

определенное публичное инфраструктурное обязательство;

доступность государственного объекта;

часть нормативно обусловленного риска.

Государство не должно

страховать предпринимателя от плохого продукта или неправильной цены.

53.30. GLR-INV-MAX-25. Создать Infrastructure Revenue Reliability Standard

Infrastructure funds особенно ценят устойчивые и прогнозируемые денежные потоки; данные Всемирного банка показывают сильный спрос именно на core и core-plus стратегии низшего риска.

Для экономически подходящих инфраструктурных проектов применяются прозрачные модели:

availability payments;

regulated revenue framework;

long-term offtake

там, где они оправданы природой услуги.

Цель

Уменьшить риск, который не связан с предпринимательским качеством оператора.

53.31. GLR-INV-MAX-26. Создать Investment Infrastructure Subscription

Предприятие должно иметь возможность получить:

электричество;

газ;

воду;

железнодорожную мощность;

data connectivity

как заранее зафиксированный investment service.

Проект получает

цену;

мощность;

дату доступности;

ответственность сторон.

Таким образом

инфраструктура становится:

подписанной до строительства завода.

53.32. GLR-INV-MAX-27. Создать Infrastructure Capacity Market

Если в одном промышленном узле существует:

избыточная энергетическая;

логистическая;

вычислительная

мощность, инвестор должен видеть ее.

Платформа показывает

доступную capacity;

срок;

цену;

planned expansion.

Это делает инфраструктурную обеспеченность частью национального investment marketplace.

53.33. GLR-INV-MAX-28. Создать «Factory Financing in One Deal»

Для стандартизированного промышленного проекта инвестор должен получать одновременно:

площадку;

инфраструктуру;

финансирование;

лизинг оборудования;

программу поддержки;

skills plan.

Сегодня это может быть пять отдельных проектов.

Максимальный frontier

одна инвестиционная сделка — один финансово-инфраструктурный пакет.

53.34. GLR-INV-MAX-29. Создать Long Capital Talent Fast Track

Длинный капитал часто приходит вместе с:

управленцем;

инженером;

R&D-командой.

Для квалифицированных стратегических инвестпроектов формируется ускоренная процедура привлечения необходимых международных специалистов в рамках закона.

Главный критерий

не объем личного капитала сам по себе.

А:

долгосрочная productive investment commitment.

53.35. GLR-INV-MAX-30. Создать Global Capital 200

Если Global Investor 500 программы-минимум работает с корпорациями, то отдельная команда работает примерно с 200 крупнейшими долгосрочными pools of capital:

sovereign funds;

pension funds;

infrastructure funds;

large PE;

family investment institutions.

Для каждого

известны:

mandate;

risk;

ticket size;

geography;

sector preferences.

Россия предлагает не страну вообще

а конкретный portfolio, подходящий инвестиционному мандату фонда.

53.36. GLR-INV-MAX-31. Создать Sovereign-to-Sovereign Investment Platforms

С рядом стран наиболее эффективной формой может быть совместная платформа:

суверенный фонд партнера;

российский институциональный партнер;

private co-investors.

Она получает

стабильную governance structure;

pipeline;

совместный investment committee.

Цель

Превратить межгосударственные отношения из:

меморандумов

в:

долгосрочные capital partnerships.

53.37. GLR-INV-MAX-32. Создать «инвестор как источник экосистемы»

Крупный strategic investor должен оцениваться не только по собственному CAPEX.

Система анализирует:

какие поставщики придут за ним;

какие специалисты;

какой R&D;

какие новые экспортные связи.

Вводится

Investment Ecosystem Multiplier.

Проект с большим spillover получает приоритетное сопровождение.

53.38. GLR-INV-MAX-33. Создать Automatic Reinvestment Upgrade

Существующий инвестор, который:

выполнил обязательства;

расширяет производство;

увеличивает R&D;

экспортирует,

получает fast track следующего проекта.

Ему не нужно снова проходить всю систему с нуля.

Принцип

лучшее доказательство качества инвестора — уже успешно работающая инвестиция.

53.39. GLR-INV-MAX-34. Создать персональный AI-Copilot инвестора

Инвестор получает официальный цифровой assistant.

Он способен ответить:

какой режим применяется?

какие разрешения нужны?

каков статус проекта?

какой срок?

какие документы отсутствуют?

Он не принимает юридически обязательное решение вместо государства

но значительно снижает информационную стоимость взаимодействия.

53.40. GLR-INV-MAX-35. Создать Government-to-Investor API

Крупная компания или фонд не обязаны сопровождать проект только через государственный веб-интерфейс.

Их internal systems могут через защищенные API получать:

статусы;

запросы;

решения;

сроки.

Максимальный принцип

инвестиционный проект должен интегрироваться в государство так же технологично, как предприятие интегрируется в банковскую систему.

53.41. GLR-INV-MAX-36. Создать региональную конкуренцию по Jurisdictional Return

Регион должен конкурировать не количеством подписанных соглашений на форуме.

А фактическим результатом.

Региональная панель

Time to Construction Ready;

Investment Friction Cost;

Infrastructure Certainty;

Government Commitment Fulfilment;

Reinvestment Rate;

Private Capital Mobilization.

Лучшие региональные решения автоматически масштабируются.

53.42. GLR-INV-MAX-37. Ввести Lost Investment Post-Mortem

Если крупный качественный проект выбрал другую страну или был отменен, государство должно знать почему.

Независимо анализируются

цена;

рынок;

регулирование;

инфраструктура;

скорость;

финансирование.

Если причиной стал управляемый системный bottleneck

он входит в обязательный reform backlog.

Принцип

каждый потерянный инвестпроект должен делать инвестиционную систему умнее.

53.43. GLR-INV-MAX-38. Создать Investment Red Team

Ежегодно независимые команды моделируют поведение потенциального инвестора.

Они пытаются:

зарегистрировать проект;

получить участок;

подключение;

разрешение;

финансирование;

exit.

Задача

искать не формальное нарушение.

А:

реальные инвестиционные friction points.

53.44. GLR-INV-MAX-39. Создать автоматическое устранение повторяющихся инвестиционных bottlenecks

ИИ-АСУ анализирует Investment Digital Twins.

Если один и тот же тип задержки возник:

20;

50;

100 раз,

он перестает считаться проблемой отдельного проекта.

Автоматически создается

systemic reform case.

Новый KPI

Repeat Investment Friction Rate.

Он должен ежегодно снижаться.

53.45. GLR-INV-MAX-40. Создать самоснижающуюся стоимость юрисдикции

Каждый год государство обязуется уменьшать измеримую Investment Friction Cost.

Органы власти получают KPI

не увеличивать количество сервисов,

а:

снижать совокупную стоимость:

срока;

документов;

неопределенности;

ожидания.

Так возникает инвестиционный аналог самоснижающегося регулирования.

Каждый год держать капитал в российском производительном активе должно становиться институционально дешевле.

53.46. Семь контуров максимальной программы

Контур	Мероприятия	Результат
Предсказуемая юрисдикция	01–08	Снижается долгосрочная risk premium
Интеллектуальная сделка	09–13	Проект собирается быстрее
Безопасный вход и выход	14–19	Капитал становится мобильнее и ликвиднее
Длинные деньги	20–25	Появляется большая база patient capital
Инфраструктура	26–28	Физическая готовность известна до CAPEX
Глобальный капитал	29–33	Россия работает с крупнейшими pools of capital
Самоулучшающаяся юрисдикция	34–40	Трение непрерывно сокращается

53.47. Новый интегральный показатель — Long Capital Attractiveness Index Russia

Классические FDI rankings необходимо дополнить российским управленческим индексом.

Он может включать:

Jurisdictional Risk Premium

Regulatory Surprise Rate

Investment Friction Cost

Time to Financial Close

Time to Construction Ready

Infrastructure Certainty

Government Commitment Fulfilment

Secondary Liquidity

Reinvestment Rate

Private Capital Mobilization Ratio

Productive Investment Share

Главное преимущество такого индекса:

он измеряет не perception сам по себе.

Он показывает конкретные рычаги управления привлекательностью длинного капитала.

53.48. Regulatory Surprise Rate

Предлагается отдельно измерять:

долю долгосрочных проектов, экономика которых существенно изменилась вследствие непредвиденного управляемого регуляторного изменения.

Цель:

стремиться к минимуму.

Это не означает:

никогда не менять правила.

Наоборот.

Современное государство постоянно должно менять:

экологические;

технологические;

социальные;

безопасностные

стандарты.

Но хорошая юрисдикция делает изменение:

предсказуемым;

обоснованным;

по возможности заранее известным.

53.49. Time to Financial Close

В программе-минимум главным KPI был:

Time to First Revenue.

В программе-максимум появляется еще один:

Time from Bankable Project to Financial Close.

Если хороший проект месяцами не способен собрать капитал из-за:

несовместимых требований;

документов;

гарантий;

согласований,

экономика теряет время.

Для стандартных подготовленных проектов

необходимо стремиться к сокращению этого цикла до нескольких месяцев, а для типовых структур — максимально близко к автоматизированной сборке сделки.

53.50. Capital Recycling Rate

Длинная инвестиционная система должна уметь повторно использовать капитал.

Инвестор финансирует:

строительство.

Проект выходит на стабильный cash flow.

Его приобретает:

консервативный инфраструктурный фонд.

Первый инвестор направляет освободившийся капитал в следующий construction project.

Вводится показатель

Capital Recycling Rate.

Чем он выше, тем больше новых активов способна создавать одна и та же единица капитала.

53.51. Productive Capital Allocation Rate

Необходимо измерять:

какая доля долгосрочного капитала направляется в активы, увеличивающие будущую производственную способность:

инфраструктуру;

промышленность;

технологии;

R&D;

логистику;

человеческий капитал.

Это не означает:

административно запрещать финансовые или иные активы.

Задача государства — сделать productive investment достаточно привлекательным, чтобы капитал сам выбирал его.

53.52. Пятилетняя последовательность реализации

Год 1. Создать архитектуру доверия

Принимаются:

Long Capital Charter;

Jurisdictional Return methodology;

Investment Friction Account;

Regulatory Transition standard.

Создаются:

Investment Digital Twin;

Government Commitment Registry;

AI Investor Impact Simulator.

Выбираются 100 крупных проектов для пилота.

Год 2. Ускорить формирование сделки

Запускаются:

Investment Decision Room;

AI Deal Structurer;

Capital Stack Composer;

National Project Marketplace;

Universal Investor Passport.

Квалифицированный проект начинает проходить путь:

idea → term sheet → capital structure

в принципиально более короткие сроки.

Год 3. Построить рынок длинных денег

Масштабируются:

Long Capital Funds;

Project Bonds;

Co-Investment Exchange;

Risk Sharing Facility;

Infrastructure Capacity Market.

Институциональные инвесторы получают значительно более широкий набор стандартизированных долгосрочных assets.

Год 4. Глобальная капитализация российских возможностей

Global Capital 200 работает как постоянный sales pipeline.

Создаются sovereign-to-sovereign platforms.

Российские подготовленные проекты конкурируют за капитал по RAJR.

Reinvestment Upgrade становится автоматическим.

Год 5. Россия как Long Capital Jurisdiction

Лучшие российские проекты должны существовать в системе, где:

юридическая конструкция просчитана;

регуляторный риск видим;

инфраструктура зарезервирована;

capital stack собирается цифрово;

государственные обязательства отслеживаются;

exit спроектирован заранее;

повторный инвестор получает fast track.

53.53. Целевой dashboard

Показатель	Максимальный ориентир
Крупные проекты с Jurisdictional Return analysis	100%
Приоритетные проекты с Investment Digital Twin	100%
Юридически оформленные публичные обязательства в digital registry	100%
Существенные изменения с Investor Impact Simulation	≈100%
Repeat investor KYC/data requests	близко к нулю
Bankable projects в National Project Marketplace	тысячи
Подготовленные standard projects: state binding offer	целевой режим ≤30 дней
Strategic screening	фиксированные SLA
Infrastructure certainty до CAPEX decision	≈100% приоритетных проектов
Long Capital AUM	кратный рост
Частный капитал на единицу государственного risk sharing	устойчивый рост
Time to Financial Close	сокращение минимум вдвое
Investment Friction Cost	сокращение в несколько раз
Government Commitment Fulfilment	приближение к 100%
Repeat Investment Friction	ежегодное снижение
Reinvestment Rate	устойчивый рост
Capital Recycling Rate	устойчивый рост

53.54. Почему низкие налоги не должны быть центральным суперрешением

Существует простая стратегия инвестиционной конкуренции:

снизить налог.

Она может работать.

Но у нее есть естественный предел.

Другая страна тоже способна снизить ставку.

Налоговая конкуренция может превращаться в игру:

кто сильнее уменьшит бюджетный доход.

Значительно более устойчивое преимущество:

сделать каждый вложенный рубль производительнее благодаря качеству юрисдикции.

Если:

завод строится быстрее;

инфраструктура готова;

правило предсказуемо;

капитал дешевле;

спор решается быстрее,

инвестор получает дополнительную доходность без бюджетной субсидии.

53.55. Скорость как финансовый инструмент

Представим два одинаковых завода.

Первый начинает производство через 30 месяцев.

Второй — через 18.

Второй получает:

12 дополнительных месяцев выручки;

меньше процентов на строительный капитал;

раньше начинает амортизацию инвестиции.

Следовательно:

административная скорость имеет прямой финансовый эквивалент.

Поэтому государственный чиновник, сокративший ненужный investment lead time, фактически снизил стоимость капитала проекта.

Это должно стать новой управленческой культурой.

53.56. Предсказуемость как скрытая ставка процента

Если инвестор не уверен в будущем правовом режиме, он делает одно из трех:

требует большую доходность;

уменьшает инвестицию;

отказывается от проекта.

Следовательно, регуляторная неопределенность действует подобно увеличению процентной ставки.

Отсюда фундаментальный принцип:

один из самых дешевых способов снизить стоимость капитала в экономике — снизить стоимость неопределенности.

Для этого не требуется бюджетная субсидия.

Требуются лучшие институты.

53.57. Выход как условие входа

На первый взгляд государство должно стремиться удержать капитал как можно дольше.

Но искусственное усложнение выхода имеет обратный эффект.

Инвестор, который не уверен, что сможет:

продать актив;

получить разрешенный доход;

передать долю,

изначально оценивает инвестицию как менее ликвидную.

Следовательно:

хорошо спроектированный выход увеличивает вероятность входа.

Это особенно важно для:

private equity;

infrastructure funds;

institutional capital.

53.58. Почему длинный капитал особенно важен для России

Российская программа глобального лидерства требует огромного объема модернизации.

Необходимо финансировать одновременно:

AI;

промышленность;

роботизацию;

логистику;

энергетику;

R&D;

новые города и инфраструктуру.

Большая часть этих проектов не окупается за два года.

Следовательно, страна не сможет построить экономику длинного технологического горизонта, если финансовая система ориентирована преимущественно на короткий горизонт.

Можно сформулировать:

длинная стратегия требует длинного капитала.

Если государство планирует на 20 лет, а инвестор финансируется на 12 месяцев, между стратегией и финансовой системой возникает фундаментальное противоречие.

53.59. Новый общественный контракт с капиталом

Программа не должна превращаться:

в набор привилегий крупному инвестору.

Главный общественный принцип:

капитал получает предсказуемость и эффективную инфраструктуру в обмен на создание долгосрочной экономической ценности.

Государство обеспечивает:

сильные институты;

скорость;

понятные правила.

Инвестор принимает:

предпринимательский риск;

создает актив;

платит налоги;

создает продукт.

Это нормальное разделение функций.

53.60. Безопасность и инвестиционная привлекательность не противоречат друг другу

Есть отрасли и активы, где государство обязано учитывать:

национальную безопасность;

контроль критической инфраструктуры;

стратегические технологии.

В таких сферах screening неизбежен.

Но инвестиционный ущерб создает не сам факт screening.

Его создает:

непонятность;

непредсказуемость;

бесконечность процедуры.

Поэтому сильная система одновременно:

строгая там, где необходимо;

быстрая и открытая там, где риска нет.

53.61. Максимальный frontier — не иностранный, а глобальный капитал

Особенно важно не сузить программу до FDI.

Россия должна конкурировать за капитал независимо от его происхождения.

За:

российский;

международный;

корпоративный;

институциональный;

суверенный.

Главная задача:

чтобы наиболее производительная российская возможность получала наиболее подходящий для нее длинный капитал.

Именно поэтому программа называется не:

«иностранные инвестиции»,

а:

глобальная инвестиционная привлекательность.

53.62. Внутренний капитал как ядро

Парадоксально, но лучший глобальный инвестиционный magnet начинается не за границей.

Он начинается внутри страны.

Если российский:

предприниматель;

фонд;

страховщик;

институциональный инвестор

не видит привлекательных способов вложить капитал на десять лет,

убеждать иностранца будет значительно сложнее.

Поэтому российский long-capital market является базовым слоем международной привлекательности.

53.63. Минимальный и максимальный фронтир

Программа-минимум	Программа-максимум
Investment-ready site	Infrastructure subscribed before CAPEX
Case manager	AI Deal Structurer
Digital Project Passport	Investment Digital Twin
Investment Stability	Regulatory Covenant + predictive impact
Fast Track	Near-instant deal assembly
Государственная поддержка	Automatically optimized capital stack
Инвестиционный каталог	Bankable Project Marketplace
Investor targeting	Global Capital 200
Co-investment	Machine-assisted capital syndication
Привлечение капитала	Capital recycling
Aftercare	Automatic Reinvestment Upgrade
Хороший инвестиционный климат	Long Capital Jurisdiction
Высокий FDI	Maximum risk-adjusted jurisdictional return

53.64. Конечный образ инвестиционной системы

Российская компания или регион формируют новый промышленный проект.

Investment Digital Twin автоматически собирает:

экономику;

площадку;

инфраструктуру;

разрешения;

рынок.

AI определяет, что проект становится bankable при сочетании:

25% equity;

45% bank/project debt;

20% institutional capital;

10% отдельного risk-sharing instrument.

Capital Stack Composer формирует несколько вариантов.

National Project Marketplace сопоставляет проект с инвестиционными мандатами.

Два инфраструктурных фонда и strategic investor проявляют интерес.

Они получают одну verified data room.

Не запрашивают одни и те же документы по пять раз.

Universal Investor Passport уже содержит необходимые базовые compliance data.

Регион подтверждает инфраструктуру.

Государственные обязательства автоматически появляются в Commitment Registry.

Investor Impact Simulator показывает чувствительность проекта к возможным изменениям регулирования.

Strategic screening проходит по заранее известному сроку.

Стороны подписывают сделку.

Через несколько лет объект выходит на стабильный денежный поток.

Construction investor продает часть доли long-term infrastructure fund.

Высвободившийся капитал идет в следующий проект.

Первоначальный инвестор расширяет производство.

Система предлагает Automatic Reinvestment Fast Track.

Так капитал не просто приходит в экономику.

Он:

циркулирует, реинвестируется и постоянно превращается в новый производительный актив.

53.65. От привлечения инвестиций — к производительности капитала

В традиционной модели государство спрашивает:

«сколько инвестиций привлечено?»

Максимальная программа должна спрашивать:

«сколько экономической способности создано каждым привлеченным рублем капитала и как быстро этот капитал способен быть использован снова?»

Возникает новый показатель:

National Capital Productivity.

Он соединяет:

добавленную стоимость;

capital employed;

время запуска;

повторное использование капитала.

Это намного более зрелая инвестиционная политика, чем гонка за headline FDI.

53.66. Новый мировой benchmark

Россия может предложить международной практике новую группу показателей.

Risk-Adjusted Jurisdictional Return

Какую доходность сохраняет инвестор после юрисдикционного риска и трения?

Investment Friction Cost

Сколько стоимости уничтожает сам процесс инвестирования?

Regulatory Surprise Rate

Как часто существенные правила меняют экономику проекта непредсказуемым образом?

Time to Financial Close

Как быстро готовый проект получает капитал?

Government Commitment Fulfilment

Насколько надежна публичная сторона сделки?

Capital Recycling Rate

Как быстро капитал из зрелого актива переходит в новый?

Private Capital Mobilization Ratio

Сколько частного капитала мобилизует один рубль государственного risk sharing?

Reinvestment Rate

Хочет ли уже существующий инвестор вкладывать снова?

Эти показатели отвечают на значительно более важный вопрос, чем объем FDI:

насколько хорошо государство умеет превращать капитал в долгосрочную производительную способность?

53.67. Максимальный лидерский фронтир

В конечном счете России не нужно становиться страной, которая предлагает инвестору:

самый низкий налог;

самую большую субсидию;

самую высокую обещанную доходность.

Это легко копируемые преимущества.

Настоящий лидерский фронтир значительно сильнее:

Россия должна стать страной, где капитал работает быстрее, теряет меньше времени, несет меньше управляемой неопределенности, получает готовую инфраструктуру, быстрее превращается в производительный актив и легче реинвестируется в следующий проект.

Тогда инвестиционная привлекательность становится свойством всей национальной системы.

Инвестор выбирает Россию не потому, что ему дали исключение из плохих правил.

А потому что:

правила хороши.

Не потому, что ему компенсировали задержку.

А потому что:

задержки нет.

Не потому, что государство обещало ему прибыль.

А потому что:

государство убрало максимум тех рисков и затрат, которые не должны относиться к предпринимательскому риску вообще.

Именно так можно сформулировать конечную цель программы-максимум:

лучшей юрисдикцией для долгосрочного капитала должна считаться не страна, обещающая инвестору больше всех, а страна, которая меньше всех уничтожает потенциальную экономическую ценность между инвестиционным решением и работающим активом.

Если Россия сможет построить такую систему, мировой вопрос изменится.

Не:

«как привлечь инвестора в Россию?»

А:

«почему рациональный долгосрочный капитал должен отказаться от российской возможности, если здесь его проект запускается быстрее, публичные обязательства надежнее, инфраструктура заранее обеспечена, транзакционное трение ниже, а созданный капиталом актив можно эффективно масштабировать, рефинансировать и реинвестировать?»

Тогда Россия превращается:

из государства, привлекающего капитал,

в:

одну из наиболее эффективных в мире машин превращения долгосрочного капитала в реальные производительные активы.

Именно это будет означать появление наиболее выгодной юрисдикции для долгосрочного капитала.

************

ЧАСТЬ XIII. СУБПРОГРАММА «ГЛОБАЛЬНАЯ ИННОВАЦИОННАЯ СИСТЕМА»

Базовый международный benchmark: Global Innovation Index — GII, Всемирная организация интеллектуальной собственности (WIPO)

Глава 54. Инновационные системы стран-лидеров

Инновационная экономика начинается не с патента.

И не с лаборатории.

И даже не с расходов на исследования и разработки.

Инновация возникает только тогда, когда национальная система способна пройти всю цепочку:

человек → знание → исследование → технология → prototype → компания → капитал → производство → рынок → масштабирование → экспорт → новая технология.

Если одно из звеньев систематически не работает, страна может обладать сильной наукой, талантливыми инженерами и большим количеством разработок — и одновременно оставаться сравнительно слабой инновационной экономикой.

Именно поэтому Global Innovation Index особенно полезен для настоящей Программы.

Он измеряет инновационную систему сразу с двух сторон:

что страна вкладывает в инновации

и:

что она получает на выходе.

Это позволяет задать главный вопрос настоящей части:

насколько эффективно национальная система превращает человеческий капитал, исследования, инфраструктуру и финансирование в технологии, интеллектуальную собственность, высокотехнологичные компании и рыночный результат?

54.1. Какая версия GII является актуальной

По состоянию на 7 сентября 2026 года последним опубликованным полным выпуском является Global Innovation Index 2025.

GII 2026 должен быть опубликован WIPO 29 сентября 2026 года. Следовательно, использовать еще не вышедший рейтинг 2026 года в настоящем тексте было бы методологически некорректно. После его публикации показатели этой части должны быть автоматически обновлены в рамках предусмотренного книгой ежегодного цикла актуализации.

Это хороший пример того, как должна работать вся Программа глобального лидерства России:

методология стабильна, данные обновляются.

54.2. Что измеряет Global Innovation Index

GII 2025 охватывает 139 экономик, представляющих около 93,6% населения мира и 98% мирового ВВП по ППС.

Он включает 78 показателей:

• 63 показателя объективных статистических данных;
• 10 составных индексов;
• 5 опросных показателей.

Все индикаторы приводятся к шкале 0–100.

При этом WIPO использует наиболее свежие доступные данные, но годы исходных наблюдений различаются: значительная часть показателей GII 2025 фактически относится к 2023–2024 годам. Поэтому рейтинг необходимо рассматривать как комплексную диагностическую модель, а не как мгновенный снимок состояния страны на последний календарный день.

54.3. Семь столпов инновационной системы

GII состоит из семи pillars.

Первые пять образуют Innovation Input Sub-Index.

1. Institutions

Качество институциональной и регуляторной среды.

2. Human Capital and Research

Образование, высшее образование, исследователи, R&D.

3. Infrastructure

ICT, общая инфраструктура, экологическая устойчивость.

4. Market Sophistication

Доступность финансирования, инвестиции, торговля и масштаб рынка.

5. Business Sophistication

Knowledge workers, связи бизнеса с наукой, способность компаний поглощать внешние знания.

Два оставшихся pillars формируют Innovation Output Sub-Index.

6. Knowledge and Technology Outputs

Патенты, научные результаты, high-tech manufacturing, software, производительность, распространение знаний.

7. Creative Outputs

Нематериальные активы, бренды, дизайны, creative goods, online creativity.

Каждый pillar содержит три sub-pillars, а общий GII рассчитывается как среднее между Innovation Input и Innovation Output Sub-Indices.

Эта архитектура крайне важна.

Она не позволяет государству объявить инновационной политику, которая делает только одну вещь.

Например:

увеличивает R&D spending.

Можно потратить больше денег на исследования и получить мало новых продуктов.

Или:

увеличивает число патентов.

Можно получить патенты, которые почти не используются экономикой.

GII заставляет смотреть на систему целиком.

54.4. Инновационные входы и выходы

Можно представить национальную innovation system как машину.

На вход поступают:

институты + талант + исследования + инфраструктура + капитал + инновационные компании.

На выходе:

знания + технологии + интеллектуальная собственность + новые продукты + бренды + высокотехнологичная экономика.

Следовательно, существует два разных типа проблемы.

Input Gap

Стране не хватает:

исследований;

капитала;

кадров;

институтов;

инфраструктуры.

Conversion Gap

Ресурсы существуют, но плохо превращаются в конечный результат.

Для России, как будет показано далее, это различие принципиально важно.

54.5. Мировая тройка GII 2025

Последний опубликованный рейтинг выглядит следующим образом:

Место	Экономика	GII score
1	Швейцария	66,0
2	Швеция	62,6
3	США	61,7
4	Республика Корея	60,0
5	Сингапур	59,9

Швейцария занимает первое место 15-й год подряд.

Швеция и США сохраняют соответственно вторую и третью позиции третий год подряд.

Это крайне устойчивая лидерская группа.

Следовательно, речь идет не о разовом статистическом результате.

Перед нами три устойчивые инновационные модели.

Швейцария — максимальная эффективность превращения науки и знаний в высокоценный технологический результат.

Швеция — чрезвычайно высокая плотность исследователей, R&D и knowledge-intensive economy.

США — уникальное соединение науки, корпоративного R&D, венчурного капитала, масштабного рынка и предпринимательской системы.

54.6. Швейцария: инновация как плотная сеть институтов

Швейцария занимает:

1-е место в GII;

2-е место по Innovation Inputs;

1-е — по Innovation Outputs.

В 2020–2025 годах она неизменно сохраняла первое место общего рейтинга и первое место по инновационным результатам.

Это особенно интересно.

Швейцария не имеет:

огромного внутреннего рынка;

сотен миллионов жителей;

гигантского государственного технологического аппарата.

Она выигрывает за счет плотности и качества связей.

Сильнейший институциональный фундамент

В GII 2025 Швейцария занимает:

3-е место по Institutions;

3-е — по Market sophistication;

5-е — по Infrastructure;

5-е — по Business sophistication;

6-е — по Human capital and research;

1-е — по Creative outputs.

То есть в системе практически нет провального звена.

Это один из фундаментальных уроков.

Мировая инновационная система не обязана быть первой по каждому элементу. Она должна не иметь критически слабого элемента, разрывающего инновационный цикл.

ERI: образование, исследования и инновации как единая государственная система

Швейцарская федеральная политика объединяет образование, research и innovation в единый контур Education, Research and Innovation — ERI.

На период 2025–2028 годов парламент одобрил рамки финансирования около 29,2 млрд швейцарских франков.

При этом ключевыми принципами системы названы:

subsidiarity;

autonomy;

partnership;

bottom-up approach;

competition;

excellence.

Государство не пытается централизованно определить каждую будущую инновацию.

Оно строит среду, в которой университеты, исследовательские центры и предприятия самостоятельно конкурируют за создание лучших решений.

Это принципиальный механизм.

Можно назвать его:

централизованное создание условий — децентрализованное создание инноваций.

Швейцарская сильная сторона — не просто наука, а связь науки с промышленностью

Швейцария занимает:

2-е место в мире по university–industry R&D collaboration;

3-е — по public research–industry co-publications;

2-е — по high-tech manufacturing;

1-е — по intellectual property receipts в структуре торговли;

3-е — по production and export complexity.

Это, возможно, важнейший набор показателей всей швейцарской модели.

Лаборатория не заканчивается публикацией.

Исследование имеет институциональный маршрут в:

компанию;

технологию;

производство;

экспорт;

лицензионный доход.

Innosuisse и прикладной контур

В швейцарской ERI-системе отдельно финансируются:

ETH Domain;

университеты;

professional education;

исследовательская инфраструктура;

Innosuisse;

Swiss Innovation Park;

международная научная кооперация.

Таким образом государство финансирует разные стадии инновационного цикла разными инструментами.

Это значительно эффективнее попытки решить все проблемы одним универсальным грантом.

Швейцарская формула

сильные фундаментальные институты + автономная наука + промышленный R&D + университетско-бизнесовая кооперация + интеллектуальная собственность + экспорт сложной продукции.

Швейцария показывает:

инновация — это способность быстро перемещать знание между организациями.

54.7. Швеция: национальная экономика высокой плотности знания

Швеция занимает:

2-е место GII;

3-е — по Innovation Inputs;

2-е — по Outputs.

За исключением третьего места в 2022 году, страна сохраняла вторую позицию GII на протяжении 2020–2025 годов.

Сильнейшие направления Швеции:

Business sophistication — 2-е место;

Creative outputs — 2-е;

Human capital and research — 3-е;

Infrastructure — 4-е;

Knowledge and technology outputs — 4-е.

Рекордная плотность исследователей

Швеция занимает 1-е место в мире по числу researchers на миллион населения.

В используемых GII данных — около 10,4 тыс. FTE исследователей на миллион жителей.

R&D expenditure составляет примерно 3,6% ВВП, что соответствует третьей позиции среди экономик GII.

Это фундаментальное отличие от страны, где исследователь является редкой специальностью.

В Швеции R&D является массовой функцией экономики.

Исследователь работает не только в университете

Knowledge-intensive employment занимает 3-е место.

Швеция также находится среди мировых лидеров по:

PCT applications;

software spending;

интеллектуальной собственности;

global brand value.

То есть цепочка выглядит:

исследователь → компания → технология → IP → software/product → глобальный бренд.

Политика research excellence

В конце 2024 года правительство Швеции представило крупнейший на тот момент пакет research and innovation policy с дополнительным финансированием порядка 6,5 млрд шведских крон, ориентированным на:

исследования высокого уровня;

конкурентное финансирование университетов;

research infrastructure;

groundbreaking technologies;

международное сотрудничество.

Здесь важен принцип.

Швеция не рассматривает инновационную политику исключительно как:

«поддержку стартапов».

Она начинается намного раньше:

с качества знания, researcher base и research infrastructure.

Сильная корпоративная система

Швеция имеет долгую историю компаний, которые создают собственные:

R&D centers;

engineering;

product design;

global brands.

Поэтому государственная наука не остается единственным источником исследований.

Национальная инновационная система распределена между:

университетами;

исследовательскими институтами;

корпорациями;

стартапами.

Шведская формула

высокая плотность исследователей + большие R&D expenditures + knowledge-intensive employment + сильные компании + программное обеспечение + глобальные бренды.

54.8. США: машина превращения знания в масштабный бизнес

США занимают:

3-е место GII;

6-е — по Innovation Inputs;

3-е — по Innovation Outputs.

При этом страна находится:

на 1-м месте по Market sophistication;

на 1-м — по Business sophistication;

на 3-м — по Knowledge and technology outputs.

Это показывает фундаментальное отличие американской модели от швейцарской и шведской.

США выигрывают не тем, что государство централизованно имеет лучшую позицию по каждому input.

Они обладают особенно мощным механизмом масштабирования результата.

Университеты мирового уровня

В GII США занимают первое место по indicator, оценивающему top universities.

Но университет является лишь первым узлом системы.

Корпоративный R&D

США занимают 1-е место по Global corporate R&D investors.

Исследование является ключевой функцией крупнейших компаний.

То есть значительная часть национального innovation spending существует не как бюджетная статья, а как стратегическая инвестиция бизнеса.

Venture capital

США занимают:

1-е место по late-stage VC deal count;

1-е — по unicorn valuation;

1-е — по software spending;

1-е — по global brand value.

Это образует уникальную цепь:

исследование → startup → venture capital → scale-up → global corporation.

Исследовательская система соединена с промышленностью

США занимают:

2-е место по public research–industry co-publications;

2-е — по доле research talent, работающего в бизнесе.

Следовательно, американское преимущество — не только университет.

Это проницаемость границы между университетом и рынком.

NSF I-Corps: ученый учится превращать технологию в компанию

Один из наиболее интересных инструментов — NSF I-Corps.

Он помогает исследовательским командам проверять:

кто клиент;

какая проблема;

имеет ли технология коммерческий рынок.

С начала программы около 52% команд, прошедших национальный I-Corps Teams training, создали стартапы; связанные с ними компании к FY2024 привлекли около 7 млрд долларов последующего финансирования, причем примерно три четверти накопленного финансирования поступило из частных источников.

Это чрезвычайно важный benchmark.

Государство финансирует не только:

исследование.

Оно финансирует обучение ученого:

как превратить исследование в предпринимательскую гипотезу.

SBIR/STTR: государство как первый риск-капитал

Программы SBIR/STTR используют государственные R&D funds для поддержки высокорисковых технологий малых компаний и стартапов, помогая им двигаться к коммерческим продуктам.

В такой системе существует специализированный финансовый инструмент для стадии, на которой:

технологический риск уже слишком велик для обычного банка,

а рынок еще слишком неопределен для многих частных инвесторов.

NSF TIP: масштабирование deep tech

NSF Directorate for Technology, Innovation and Partnerships сообщал, что за первые годы работы программы при инвестициях менее 2 млрд долларов поддержанные проекты помогли создать более 2 тыс. deep-tech startups и привлечь свыше 4,5 млрд долларов follow-on investment.

Это важный механизм:

государственные деньги используются как катализатор значительно большего частного капитала.

Американская формула

лучшие университеты + фундаментальная наука + корпоративный R&D + венчурный рынок + entrepreneurial talent + огромный рынок + способность быстро масштабировать технологическую компанию.

54.9. Три лидерские модели

Швейцария	Швеция	США
Плотность институтов	Плотность research talent	Масштабирование
Университет–industry link	Высокие R&D expenditures	Venture capital
IP monetization	Knowledge-intensive jobs	Corporate R&D
High-tech manufacturing	PCT patents	Startup ecosystem
Export complexity	Software & brands	Unicorns
Bottom-up excellence	Research excellence	Market-led scale

Лучшей российской системой не должно становиться механическое копирование какой-либо одной страны.

Необходимо соединить функциональные преимущества всех трех.

54.10. Важный четвертый benchmark — Республика Корея

Корея занимает 4-е место GII 2025, поднявшись с шестого.

Она особенно важна для России, поскольку представляет не небольшую финансово-научную экономику и не уникальную американскую систему, а мощную индустриальную страну, которая десятилетиями последовательно увеличивала:

R&D;

корпоративные исследования;

патентную активность;

high-tech manufacturing.

В GII 2025 Корея находится среди мировых лидеров по business R&D и другим технологическим inputs.

Для России это особенно полезная логика:

инновационная система должна быть не отдельным сектором экономики, а технологическим двигателем промышленности.

54.11. Китай: крупнейший современный инновационный прорыв

В 2025 году Китай впервые вошел в мировой top-10 GII.

WIPO отдельно подчеркивает, что Китай демонстрирует innovation outputs, сопоставимые или превосходящие результаты ряда более богатых экономик, при относительно более низком объеме inputs.

Это показывает:

инновационное лидерство больше не является монополией старых высокодоходных экономик.

Страна способна за несколько десятилетий построить:

research base;

университеты;

патентную систему;

high-tech manufacturing;

венчурную экосистему;

технологические корпорации.

54.12. Другие страны-прорывы

WIPO называет среди наиболее быстро поднимавшихся в GII с начала 2020-х годов:

Саудовскую Аравию;

Катар;

Бразилию;

Маврикий;

Бахрейн;

Иорданию.

Отдельно Индия и Вьетнам являются наиболее устойчивыми innovation overperformers относительно уровня экономического развития.

Это важный вывод для России.

Положение innovation system не является исторически заданным.

Его можно менять значительно быстрее, чем уровень общего национального богатства.

54.13. Двенадцать механизмов инновационного лидерства

Сравнение лидеров позволяет выделить двенадцать повторяющихся механизмов.

1. Сильный человеческий капитал

2. Значительный R&D

3. Конкурентное финансирование excellence

4. Большая роль бизнеса в R&D

5. Проницаемая граница между университетом и компанией

6. Специализированный capital stack для разных стадий технологии

7. Венчурный рынок

8. Pilot и experimental infrastructure

9. Государство как первый заказчик новых решений

10. Высокая мобильность исследователей

11. Международная интеграция

12. Быстрая масштабируемость успешной компании

Инновационная политика должна одновременно воздействовать на все двенадцать.

54.14. Что мировые лидеры делают особенно хорошо

Главная сила Швейцарии:

knowledge transfer.

Главная сила Швеции:

knowledge creation capacity.

Главная сила США:

knowledge capitalization.

Можно выразить это как три стадии:

создать знание → передать знание → превратить знание в экономический масштаб.

Россия должна построить систему, одинаково сильную во всех трех.

Глава 55. Россия: разрывы по входам и результатам инновационной системы

55.1. Позиция России

В Global Innovation Index 2025 Россия занимает:

60-е место из 139 экономик.

Среди high-income economies:

45-е место из 54.

В Европе:

32-е место из 39.

WIPO оценивает статистический confidence interval российской позиции в диапазоне примерно 54–68 мест.

Динамика выглядит так:

Год	GII
2020	47
2021	45
2022	47
2023	51
2024	59
2025	60

При этом WIPO специально предупреждает, что изменения methodology и доступности данных ограничивают прямую интерпретацию ежегодных колебаний.

Тем не менее масштаб разрыва с top-3 очевиден.

Россия — 60-я.

США — третьи.

Разрыв:

57 позиций.

55.2. Неожиданный российский результат: outputs лучше inputs

В 2025 году Россия занимает:

73-е место по Innovation Inputs

и:

55-е по Innovation Outputs.

WIPO прямо отмечает, что Россия генерирует больше innovation outputs, чем можно было бы ожидать исходя из ее текущего уровня innovation inputs.

Это крайне важная методологическая поправка.

Было бы слишком просто сказать:

«Россия много вкладывает в инновации, но ничего не получает».

Данные GII 2025 этого не подтверждают.

Наоборот.

На текущем уровне входных условий Россия имеет относительно неплохую конвертацию.

Следовательно, центральный диагноз должен звучать иначе:

российская инновационная система имеет сильные отдельные источники знаний и способна генерировать результат даже при сравнительно слабой среде, но сама среда, капитал и система масштабирования существенно ограничивают абсолютный размер этого результата.

Это значительно точнее.

55.3. Семь столпов российского профиля

Pillar	Балл	Место
Institutions	23,3	131
Human capital and research	47,2	28
Infrastructure	40,4	76
Market sophistication	34,6	76
Business sophistication	35,0	46
Knowledge and technology outputs	21,8	62
Creative outputs	27,0	55

Картина чрезвычайно контрастна.

28-е место по человеческому капиталу и исследованиям.

131-е — по институтам.

Это, вероятно, главный структурный парадокс российской innovation system.

55.4. Сравнение не с мировым средним, а с top-10

Еще более полезна разница по scores.

Pillar	Россия	Среднее top-10	Gap
Institutions	23,3	78,6	−55,3
Human capital & research	47,2	59,3	−12,1
Infrastructure	40,4	61,4	−21,0
Market sophistication	34,6	61,8	−27,2
Business sophistication	35,0	59,1	−24,1
Knowledge & technology outputs	21,8	54,9	−33,1
Creative outputs	27,0	56,0	−29,0

Отсюда следует чрезвычайно важный вывод:

Россия находится сравнительно близко к мировому top-10 по human capital and research и радикально дальше от него по institutional environment, рыночному финансированию и конечным технологическим результатам.

Именно так должна строиться программа.

55.5. Российские сильные стороны

WIPO выделяет среди наиболее сильных российских индикаторов:

• размер внутреннего рынка — 4-е место;
• pupil–teacher ratio в secondary education — 9-е;
• utility models — 9-е;
• tertiary enrolment — 13-е;
• graduates in science and engineering — 14-е;
• trademarks — 14-е;
• electricity output per capita — 18-е;
• patents by origin per GDP — 20-е;
• knowledge-intensive employment — 21-е;
• citable documents H-index — 25-е.

То есть Россия располагает важнейшими базовыми активами:

масштабом;

образованием;

инженерным человеческим капиталом;

патентной активностью;

научным наследием;

крупным внутренним рынком.

Проблема явно не сводится к отсутствию людей, способных создавать знания.

55.6. Первый структурный разрыв: институты

Самый слабый pillar России — Institutions: 131-е место.

Внутри него:

Operational stability for businesses — 137-е;

Regulatory quality — 131-е;

Rule of law — 131-е.

Важно понимать причинную связь.

Инновация по определению связана с повышенным риском.

Инвестор не знает:

получится ли технология;

будет ли рынок;

появится ли конкурент.

Если поверх технологического риска добавляется высокая institutional uncertainty, суммарный риск становится слишком большим.

Следовательно:

инновационная система особенно чувствительна к институциональному качеству, потому что предприниматель уже несет огромный технологический риск и не хочет одновременно нести избыточный регуляторный риск.

Поэтому Части III, V, VI и XII настоящей Программы одновременно являются инновационной политикой.

55.7. Второй разрыв: R&D intensity

Россия занимает 28-е место по Human capital and research — лучший крупный pillar.

Но внутри него присутствует важный разрыв.

По данным, используемым GII 2025, валовые расходы на R&D составляли около 0,93% ВВП, соответствуя 43-й позиции.

Число исследователей — около 2684 FTE на миллион населения, 34-я позиция.

Для сравнения:

Швеция — около 3,6% ВВП на R&D и более 10 тыс. исследователей на миллион населения.

Разница примерно:

в четыре раза по плотности исследователей

и:

почти в четыре раза по R&D intensity.

Следовательно, российская научная традиция не должна вводить нас в заблуждение.

Исторически сильная научная школа не означает автоматически достаточный современный масштаб R&D экономики.

55.8. Третий разрыв: бизнес недостаточно финансирует R&D

Особенно показательно соотношение.

Россия:

GERD performed by business — около 0,6% ВВП, 36-е место;

GERD financed by business — около 29,2%, 60-е место.

Для мирового frontier характерна существенно большая роль корпоративного R&D.

Например:

Корея — около 3,93% ВВП business-performed R&D;

США — около 2,70%;

Швеция — 2,68%;

Швейцария — 2,25%.

Это важнейший structural gap.

Если основной исследовательский риск несет только государство, инновационная система неизбежно хуже чувствует реальный рынок.

Необходимо резко увеличивать не только общий R&D.

Но прежде всего:

частный R&D.

55.9. Четвертый разрыв: университет и компания недостаточно соединены

По University–industry R&D collaboration Россия находится примерно на:

73-м месте.

По public research–industry co-publications — около:

65-го.

По state of cluster development — около:

64-го.

Для сравнения, Швейцария находится на 2-м месте по university–industry collaboration.

Это разрыв не столько научного уровня.

Это разрыв организации движения знания.

Российский ученый может создать технологически сильный результат.

Но между ним и компанией часто отсутствует эффективный переводчик:

technology transfer officer;

product manager;

venture builder;

industrial partner;

pilot facility.

55.10. Пятый разрыв: венчурный капитал

Одна из наиболее слабых областей российского профиля:

VC deals received per GDP — 121-е место;

VC investors — около 105-го;

VC investor co-participation — 107-е.

Это огромный разрыв.

Особенно критичный для:

deep tech;

AI;

biotech;

new materials;

robotics.

Технологический проект не может финансироваться обычным банковским кредитом на ранней стадии.

У него:

нет устойчивого cash flow;

нет ликвидного залога;

высокая вероятность неудачи.

Следовательно, если венчурный капитал слаб, возникает финансовая долина смерти.

55.11. Шестой разрыв: капитал плохо проходит по стадиям

Инновационная компания проходит примерно такую последовательность:

research → proof of concept → pre-seed → seed → Series A → growth → industrial scale.

Для каждой стадии нужен другой финансовый продукт.

Если существует грант на исследование

и:

банковский кредит зрелому предприятию,

но отсутствует середина,

технология может умереть именно после успешного исследования.

Поэтому задача не просто:

«увеличить финансирование инноваций».

Нужно создать полный innovation capital stack.

55.12. Седьмой разрыв: PCT значительно слабее внутренних патентов

Россия занимает:

около 20-го места по patents by origin per GDP,

но только около:

59-го по PCT patents.

Это важное различие.

Внутренний патент показывает:

изобретение существует.

PCT application гораздо чаще связан с намерением:

защищать технологию международно;

масштабировать;

выходить на несколько рынков.

Следовательно:

российская patent creation сильнее российской international patent commercialization.

55.13. Восьмой разрыв: научные статьи относительно ВВП

Несмотря на высокий H-index — около 25-го места — показатель scientific and technical articles per PPP GDP находится существенно ниже, примерно на 107-й позиции в используемом WIPO профиле.

Это еще раз показывает:

абсолютная историческая научная репутация

и:

современная интенсивность научного производства относительно масштаба экономики

— разные показатели.

55.14. Девятый разрыв: knowledge diffusion

Российский sub-pillar Knowledge diffusion получает:

12,7 балла

и примерно:

92-е место.

Внутри него:

high-tech exports — около 56-го;

ICT services exports — около 99-го;

production and export complexity — около 84-го;

ISO 9001 intensity — около 135-го.

Это критический разрыв.

Знание создается.

Но его международная диффузия через:

продукцию;

software services;

technology licensing;

quality-certified supply chains

значительно слабее мирового frontier.

55.15. Десятый разрыв: high-tech manufacturing недостаточно масштабен

High-tech manufacturing в российском профиле GII находится примерно на:

51-м месте.

Это напрямую связывает настоящую часть с предыдущими главами о:

Economic Complexity;

Industrial Competitiveness.

Инновационная система не заканчивается в startup accelerator.

Она должна изменять структуру реального производства.

55.16. Одиннадцатый разрыв: FDI как канал передачи знания

По FDI net inflows относительно ВВП Россия занимает около:

125-го места.

С точки зрения innovation system FDI важно не только как деньги.

Правильно структурированная инвестиция способна приносить:

technology transfer;

management;

supplier standards;

R&D;

global market access.

Именно поэтому предыдущая Часть XII напрямую связана с GII.

55.17. Двенадцатый разрыв: международная мобильность талантов

Россия имеет высокий tertiary enrolment и значительную долю science and engineering graduates.

Но inbound tertiary mobility находится только около 53-й позиции.

Инновационный лидер должен не только готовить собственных специалистов.

Он должен быть местом, куда хотят ехать:

researchers;

PhD students;

engineers;

founders.

Talent attraction является самостоятельной technology policy.

55.18. Тринадцатый разрыв: innovation cluster density

По данным GII 2025 Россия имеет только один кластер в мировом top innovation clusters.

Для сравнения, США имеют 22 таких кластера.

Это чрезвычайно важная пространственная проблема.

Инновации имеют склонность концентрироваться.

Когда в одной территории одновременно находятся:

universities;

venture capital;

R&D;

founders;

technology corporations;

pilot facilities,

возникают ускоренные knowledge spillovers.

Один сильный национальный центр недостаточен для страны российского масштаба.

55.19. Четырнадцатый разрыв: pilot infrastructure

Между:

научной идеей

и:

массовым производством

находится стадия, на которой необходимо:

изготовить prototype;

проверить технологию;

сделать pilot series;

провести certification;

доказать unit economics.

Если для каждого стартапа эта инфраструктура создается отдельно, стоимость инноваций резко возрастает.

Поэтому общие pilot facilities — фундамент innovation system.

Эта проблема уже возникала в главах о complexity.

Здесь она получает новую функцию:

shared pilot infrastructure уменьшает стоимость первого промышленного эксперимента.

55.20. Пятнадцатый разрыв: государство часто финансирует процесс, а не переход стадии

Грант может считаться успешным, если:

деньги освоены;

исследование завершено;

отчет принят.

Но innovation system должна спрашивать:

перешла ли технология:

из TRL 3 в TRL 5?

из laboratory prototype в pilot?

из pilot в first customer?

Новый принцип

финансировать необходимо переход технологии через барьер, а не существование проекта внутри стадии.

55.21. Шестнадцатый разрыв: инновационный спрос

Даже технологически сильная компания может умереть без первого клиента.

Особенно в:

industrial tech;

medical devices;

robotics;

infrastructure tech.

Государственный сектор и крупные корпорации обладают огромным procurement power.

Но обычная закупка стремится покупать:

доказанный;

стандартизированный;

минимально рискованный продукт.

Это естественно с точки зрения текущей закупки.

Но плохо с точки зрения innovation system.

Следовательно, нужен отдельный механизм:

innovation procurement.

55.22. Семнадцатый разрыв: инновационная компания должна слишком рано становиться большой корпорацией

Стартапу приходится отдельно решать:

IP;

сертификацию;

бухгалтерию;

экспорт;

закупки;

найм;

государственные программы.

В инновационном frontier многие эти функции доступны:

через акселераторы;

shared services;

venture ecosystem.

То есть предприниматель концентрирует ограниченное время на:

product + market.

55.23. Восемнадцатый разрыв: данные GII по России частично устаревшие

Это важная техническая проблема самой системы измерения.

WIPO указывает, что в российском профиле GII 2025 отсутствуют два индикатора и 21 показатель использует устаревшие относительно model year данные.

Например, university–industry collaboration и cluster development основаны на данных 2021 года, хотя модельный год — 2024.

Следовательно, отдельная задача программы:

Россия должна иметь собственный более свежий Shadow GII, не дожидаясь международной статистической задержки.

55.24. Главное различие между российским и лидерским инновационным циклом

Российскую ситуацию можно упрощенно представить так:

образованный человек → исследование → изобретение → сложный переход к капиталу → сложный переход к компании → сложный переход к масштабу → слабее международная диффузия.

У лидеров:

образованный человек → исследование → technology transfer → venture/industry → pilot → first customer → scale-up → global market → capital reinvestment.

Разница заключается прежде всего в плотности переходов между стадиями.

55.25. Центральный диагноз

Россия не является страной без инновационных ресурсов.

И не является страной, неспособной получать innovation outputs.

Наоборот, GII показывает значительный human-capital foundation и относительную эффективность output при существующем input.

Центральная проблема точнее формулируется так:

российская инновационная система имеет сильные генераторы знания, но недостаточно плотную инфраструктуру капитализации, промышленного внедрения, международного масштабирования и повторного инвестирования результата.

Другими словами:

необходимо не только создавать больше инноваций — необходимо резко увеличить пропускную способность национального innovation pipeline.

Глава 56. Субпрограмма-минимум

Цель программы-минимум:

за пять лет приблизить российскую инновационную систему к сегодняшнему функциональному мировому frontier, создав непрерывный маршрут от исследовательского результата до масштабируемой технологической компании и промышленного продукта.

Задача не сводится к:

увеличению числа грантов;

увеличению патентов;

созданию большего количества стартапов.

Необходимо построить innovation operating system страны.

Предлагается пакет из 24 конкретных стратегических мероприятий.

56.1. GLR-INNO-MIN-01. Создать Shadow GII Russia

Россия должна ежегодно полностью воспроизводить методологию GII на собственных оперативных данных.

Что создается

Dashboard всех 78 показателей.

Для каждого:

последнее международное значение;

последнее российское оперативное значение;

top-3;

top-10;

gap;

владелец;

target.

Особое правило

Если международный показатель отстает на три года, государство не ждет следующего GII.

Оно управляет по более свежему proxy.

KPI

Shadow GII обновляется не реже квартала по доступным индикаторам.

56.2. GLR-INNO-MIN-02. Создать Национальный реестр инновационных разрывов

Все 78 показателей классифицируются:

критический gap;

средний gap;

лидерская зона.

Для каждого critical gap

указывается:

причина;

федеральный владелец;

мера;

финансирование;

пятилетний target.

Главный принцип

GII должен перестать быть ежегодным аналитическим докладом.

Он становится операционной картой реформы.

56.3. GLR-INNO-MIN-03. Создать Innovation Pipeline Dashboard

Измеряется не только количество проектов.

Измеряется движение технологий по стадиям:

research;

proof of concept;

prototype;

pilot;

first customer;

scale-up;

export.

Для каждой стадии

измеряются:

число проектов;

среднее время перехода;

доля переходящих дальше.

Новый показатель

Innovation Stage Conversion Rate.

Главная задача:

найти стадию, где технологии массово погибают.

56.4. GLR-INNO-MIN-04. Установить пятилетнюю траекторию роста R&D intensity

По данным GII Россия находится около 0,93% ВВП, тогда как мировые R&D leaders существенно выше.

Предлагается установить ориентир:

не менее 2% ВВП на R&D к окончанию пятилетней программы

с дальнейшим движением к уровню нынешнего мирового frontier.

Но принципиально важно

рост расходов должен происходить прежде всего через:

business R&D;

конкурентное financing;

mission projects;

коммерциализацию.

KPI

Не только GERD/GDP.

Но и:

innovation outputs per ruble of R&D.

56.5. GLR-INNO-MIN-05. Удвоить масштаб business R&D

Россия должна перейти от модели, где corporate R&D является функцией ограниченного числа крупных организаций, к модели, где собственное технологическое развитие является нормой для конкурентоспособной компании.

Механизмы

incremental R&D tax credit;

competitive co-funding;

R&D loans;

innovation contracts.

Условие

Поддерживается дополнительный R&D, а не расходы, которые компания все равно осуществила бы.

Ориентир

Довести business-performed R&D из нынешнего порядка 0,6% ВВП к уровню 1,2–1,5% ВВП на горизонте пятилетия с последующим ростом.

56.6. GLR-INNO-MIN-06. Создать Competitive Excellence Fund

Часть государственного научного финансирования должна распределяться через максимально конкурентные peer-reviewed механизмы.

Приоритет

не равномерное распределение.

А:

сильнейшие:

исследователи;

лаборатории;

центры.

Модель

длинные 5–7-летние grants;

международно сопоставимый review;

минимальная административная отчетность;

жесткая научная оценка результата.

Функциональный benchmark

швейцарский и шведский принцип:

autonomy + competition + excellence.

56.7. GLR-INNO-MIN-07. Создать 10–15 National Technology Missions

Bottom-up research не должен отменяться.

Но в стратегических областях необходимы концентрированные mission programmes.

Возможные типы

AI;

robotics;

advanced materials;

biotechnology;

photonics;

energy technologies;

new manufacturing.

Для каждой mission

исследование;

pilot;

capital;

procurement;

industrial partner;

export.

Главное правило

Mission заканчивается не научным отчетом.

Она заканчивается работающей технологической capability.

56.8. GLR-INNO-MIN-08. Создать Proof-of-Concept Fund

Между научным результатом и startup существует чрезвычайно плохо финансируемая стадия.

Нужны небольшие быстрые гранты:

на prototype;

market test;

IP assessment;

technical validation.

Решение

≤30 дней для стандартной заявки.

KPI

Не число PoC grants.

А:

доля технологий, перешедших к следующему источнику финансирования.

56.9. GLR-INNO-MIN-09. Создать единый стандарт Technology Transfer Office 2.0

Крупные университеты и научные организации получают профессиональные TTO.

TTO отвечает не за количество патентов

а за:

licensing revenue;

spin-offs;

industry contracts;

technology adoption.

Его команда

IP lawyer;

industry specialist;

venture builder;

technology scout.

KPI

Commercialization Rate per 100 research results.

56.10. GLR-INNO-MIN-10. Перестроить мотивацию ученого при коммерциализации

Исследователь должен иметь прозрачную долю экономического результата:

лицензирования;

spin-off;

IP.

Цель

Сделать коммерциализацию не конфликтом с академической карьерой,

а:

легитимным продолжением исследовательской деятельности.

Одновременно должны быть прозрачные правила:

conflict of interest;

использования оборудования;

прав университета;

прав автора.

56.11. GLR-INNO-MIN-11. Создать национальную программу Researcher-to-Industry Mobility

Исследователь может на 6–24 месяца переходить:

из университета в компанию

и:

обратно

без разрушения академической карьеры.

Дополнительно

Industrial PhD:

диссертация выполняется совместно с компанией на реальной технологической проблеме.

KPI

Доля researchers с опытом industry collaboration увеличивается ежегодно.

56.12. GLR-INNO-MIN-12. Создать 100 University–Industry Translational Centers

Россия должна подняться с примерно 73-го места по university-industry collaboration к мировому top-30, а затем выше.

Translational Center работает вокруг конкретного технологического domain

например:

photonics;

materials;

industrial AI;

biotech.

Совместно финансируются

университет;

бизнес;

государство.

KPI

Контракты бизнеса;

pilot products;

spin-offs.

56.13. GLR-INNO-MIN-13. Создать национальную сеть из 100+ Pilot & Test Facilities

Она соединяется с pilot factories из Части IX.

Инфраструктура

clean rooms;

bioreactors;

robotics labs;

materials testing;

industrial validation;

semiconductor verification;

advanced manufacturing.

Пользователь платит

не за строительство объекта,

а:

за час технологической capability.

KPI

Cost and Time to First Industrial Experiment сокращаются минимум вдвое.

56.14. GLR-INNO-MIN-14. Создать Deep-Tech Seed Fund of Funds

Государство не должно самостоятельно выбирать каждый startup.

Оно создает механизм, который co-invests через профессиональные частные команды.

Принцип

публичный капитал:

покрывает часть early technological risk;

частный инвестор:

обязан вложить собственные средства.

KPI

Private Capital Mobilized per Public Ruble.

Это прямой ответ на низкие показатели VC deal activity и co-participation.

56.15. GLR-INNO-MIN-15. Создать Scale-Up Capital Programme

Российский startup не должен погибать после успешного seed stage только потому, что следующий раунд значительно крупнее.

Создается капитал для

Series A/B;

industrial scale-up;

international expansion.

Инструменты

growth funds;

institutional co-investment;

private equity;

project financing для deep-tech production.

KPI

Seed-to-Scale Survival Rate.

56.16. GLR-INNO-MIN-16. Создать российский аналог I-Corps

Научная команда до получения крупного commercialization financing проходит структурированную customer discovery programme.

Она обязана проверить

кто покупатель;

какую проблему решает продукт;

какова willingness to pay;

какие альтернативы.

Результат

Не каждый ученый обязан стать предпринимателем.

Но каждая коммерциализируемая технология должна пройти market reality test.

Функциональный benchmark — NSF I-Corps.

56.17. GLR-INNO-MIN-17. Создать Innovation Procurement 2.0

Государство и крупнейшие компании формулируют:

проблему и требуемый результат,

а не заранее предписанное техническое решение.

Стадии

challenge;

prototype;

pilot;

first procurement;

competitive scale.

Не менее нескольких конкурирующих технологий

до поздней стадии.

KPI

First Customer Time сокращается минимум вдвое.

56.18. GLR-INNO-MIN-18. Создать First Innovative Customer Guarantee

Одна из главных проблем deep-tech startup:

никто не хочет быть первым клиентом.

Государство не гарантирует рынок навсегда

Но может уменьшить риск первого внедрения через:

страхование pilot;

co-financing;

performance contract.

После первого референса

компания должна перейти к конкурентному рынку.

56.19. GLR-INNO-MIN-19. Создать Innovation Regulatory Fast Track

Для инновационного продукта должна существовать ясная процедура:

можно ли тестировать;

где;

при каких условиях.

Используются

regulatory sandboxes;

экспериментальные правовые режимы;

fast scientific advice для регулируемых отраслей.

Главный KPI

Time from Technology Ready to Legal Pilot.

56.20. GLR-INNO-MIN-20. Запустить программу International Patent Upgrade

Россия сильнее по внутренним patents, чем по PCT.

Следовательно, для технологий с подтвержденным международным потенциалом предоставляется поддержка:

prior-art search;

PCT filing;

patent strategy;

foreign prosecution.

Но субсидируется не любой патент

А технология, имеющая:

market potential;

licensing;

export strategy.

Цель

PCT intensity — движение из нынешней позиции около 59-го места к top-30.

56.21. GLR-INNO-MIN-21. Создать High-Tech Export Fast Track

Knowledge diffusion невозможно улучшить без международного рынка.

Для технологической компании

сертификация;

IP;

export finance;

market intelligence;

after-sales

собираются в один programme.

KPI

High-tech exports;

ICT services exports;

technology licensing.

Особый приоритет — продуктам, созданным через National Technology Missions.

56.22. GLR-INNO-MIN-22. Создать Global Research Talent Fast Track

Россия должна конкурировать не только за инвестиционный капитал.

Но и за:

scientists;

engineers;

founders.

Для ключевых специалистов

быстрый миграционный режим;

грант;

лаборатория;

relocation;

возможность сформировать команду.

Одновременно

российская научная диаспора получает программы:

joint lab;

visiting professor;

dual affiliation;

remote research collaboration.

KPI

Inbound Research Talent Rate.

56.23. GLR-INNO-MIN-23. Создать 10 мировых инновационных кластеров

Сейчас Россия имеет один кластер в top global innovation cluster ranking GII.

Для страны российского масштаба необходима полицентрическая система.

Выбираются 10 территорий

с уже существующей критической массой:

университетов;

R&D;

технологических компаний;

таланта.

Государство не строит cluster с нуля

а устраняет bottlenecks:

лаборатории;

venture capital;

площадки;

транспорт;

talent attraction.

Пятилетний ориентир

добиться присутствия нескольких российских кластеров в мировом top-100 и создать траекторию выхода до 10 конкурентоспособных мировых кластеров на более длинном горизонте.

56.24. GLR-INNO-MIN-24. Создать National Innovation Diffusion Network

Инновация, которую внедрила одна компания, не должна оставаться локальным достижением.

Лучшие технологии

AI;

robotics;

industrial software;

new materials;

energy efficiency

получают replication packages.

Через

центры компетенций;

кластеры;

anchor companies;

supplier programmes

они распространяются на тысячи предприятий.

Новый KPI

Time from Frontier Innovation to Mass Adoption.

Таким образом innovation policy перестает измерять только:

создание новой технологии

и начинает измерять:

скорость ее распространения по всей экономике.

56.25. Как 24 мероприятия складываются в инновационную систему

Контур	Мероприятия	Результат
Измерение	01–03	Видна вся innovation pipeline
Исследования	04–07	Увеличивается качество и масштаб R&D
Наука → технология	08–13	Закрывается commercialization gap
Капитал	14–16	Появляется полный innovation capital stack
Первый рынок	17–19	Технология быстрее получает клиента
Международное масштабирование	20–22	Патент, талант и продукт выходят наружу
Пространственная концентрация	23	Формируются сильные innovation hubs
Диффузия	24	Инновация распространяется по экономике

56.26. Главный KPI — Knowledge-to-Market Time

Необходимо измерять время:

от подтвержденного исследовательского результата до первой коммерческой выручки.

Это один из самых важных новых KPI всей программы.

Не количество:

грантов;

лабораторий;

патентов.

А:

сколько времени знание остается экономически неиспользованным.

Для разных технологий

показатель различается.

Software:

месяцы.

Новая медицинская технология:

годы.

Материал:

годы.

Поэтому benchmark должен быть отраслевым.

Но в каждой категории задача одна:

сократить Knowledge-to-Market Time минимум вдвое.

56.27. Второй KPI — R&D-to-Product Conversion Rate

Какой процент significant R&D projects достигает:

prototype;

pilot;

first customer;

scale?

Если государство финансирует 100 проектов,

но только один когда-либо используется экономикой,

R&D funding само по себе не является достаточным доказательством эффективности.

Не вся фундаментальная наука обязана коммерциализироваться

Это принципиально важно.

Фундаментальное исследование имеет самостоятельную ценность.

Но программы, которые изначально объявлены прикладными, должны иметь conversion KPI.

56.28. Третий KPI — Private Capital Leverage

Сколько частного капитала привлек государственный рубль innovation funding?

Американские механизмы I-Corps и NSF TIP демонстрируют, что относительно небольшой ранний public capital может впоследствии мобилизовать значительно больший объем private investment.

Это намного лучше модели, при которой стартап существует только пока получает следующий государственный грант.

56.29. Четвертый KPI — Business R&D Share

Для зрелой innovation system бизнес должен становиться одним из главных заказчиков исследований.

Следовательно, должны ежегодно расти:

business-performed R&D;

business-financed R&D;

industry contracts with universities.

Это прямой индикатор того, что инновация стала экономической функцией предприятия, а не отдельной государственной программой.

56.30. Пятый KPI — Innovation Diffusion Speed

Даже мировой startup не изменит национальную производительность, если его технологией пользуются несколько клиентов.

Поэтому измеряется:

сколько времени проходит от доказанного результата до внедрения на 10, 100 и 1000 предприятиях.

Инновационная экономика должна уметь не только изобретать.

Она должна уметь тиражировать.

56.31. Целевой GII-профиль пятилетия

С учетом текущего 60-го места было бы методологически неверно административно гарантировать top-3 через пять лет.

Зато можно установить жесткий catch-up frontier.

Показатель	Сейчас	Пятилетний ориентир
GII rank	60	как минимум top-30, ускоренное движение далее
Innovation Inputs	73	top-40
Innovation Outputs	55	top-30
Institutions	131	сокращение не менее половины score-gap к нынешнему top-10
Human capital & research	28	top-20
Infrastructure	76	top-40
Market sophistication	76	top-40
Business sophistication	46	top-30
Knowledge & technology outputs	62	top-30
Creative outputs	55	top-35
GERD / GDP	~0,93%	≥2%
Business R&D / GDP	~0,6%	1,2–1,5%
University–industry collaboration	~73	top-30
VC deals received	121	top-50, затем выше
PCT intensity	~59	top-30
Knowledge diffusion	~92	top-40
Knowledge-to-Market Time	—	−50%
Innovation Diffusion Time	—	−50% и более

Ранговые ориентиры должны ежегодно пересчитываться относительно нового GII, поскольку мировой frontier продолжает двигаться.

56.32. Почему нельзя просто увеличить расходы на R&D

Допустим, Россия повышает R&D expenditure с 1 до 2% ВВП.

Но:

university–industry collaboration остается слабой;

venture market остается малым;

pilot facilities отсутствуют;

первого клиента нет.

Тогда значительная часть дополнительного R&D может не изменить конечные outputs пропорционально.

Следовательно:

деньги должны увеличиваться одновременно с пропускной способностью innovation pipeline.

Это фундаментальный принцип программы.

56.33. Почему нельзя просто увеличить число стартапов

Стартап сам по себе еще не является национальным инновационным результатом.

Можно зарегистрировать:

10 тыс. компаний.

Но если:

9 тыс. не имеют технологии;

900 не получают scale capital;

90 не могут выйти на рынок;

9 успешно масштабируются,

национальный эффект остается небольшим.

Поэтому необходимо измерять:

startup quality;

survival;

scale-up;

technology impact.

56.34. Почему патент не должен быть конечным KPI

Патент — это правовой инструмент защиты знания.

Не экономический результат сам по себе.

Нужно измерять:

сколько патентов:

лицензировано;

используется в продукте;

защищается международно;

генерирует revenue.

Новый показатель

Patent-to-Market Rate.

Это связывает настоящую часть с будущей отдельной субпрограммой патентного лидерства.

56.35. Новая модель университета

Университет не должен становиться фабрикой стартапов вместо образовательной и научной миссии.

Но сильный research university должен иметь четыре выхода:

Первый

образованный специалист.

Второй

новое знание.

Третий

технология для существующей компании.

Четвертый

новая компания, если именно spin-off является лучшей формой коммерциализации.

Так университет становится узлом innovation system, не теряя академической функции.

56.36. Новая модель государственной лаборатории

Государственная научная организация также получает несколько путей результата:

publication;

patent;

technology transfer;

pilot;

spin-off;

technology mission.

Форма результата определяется природой исследования.

Но прикладная государственная программа не должна заканчиваться исключительно:

publication count.

56.37. Новая модель крупной корпорации

Крупная российская компания должна перестать быть только заказчиком готовой технологии.

Она становится:

investor;

pilot customer;

corporate venture partner;

R&D partner;

supplier of real industrial problems.

Вводится показатель

External Innovation Adoption Rate.

Какую долю новых технологий корпорация получает:

из стартапов;

университетов;

SME?

Сильная компания не обязана изобретать все внутри.

56.38. Новая модель инновационного агентства

Институт развития не должен оцениваться:

сколько грантов выдано.

Правильные показатели:

Follow-on Capital;

First Customer Rate;

Technology Survival;

Scale-Up Rate;

Export Rate.

Это резко меняет поведение всей системы.

56.39. Пятилетняя последовательность реализации

Год 1. Сделать innovation pipeline видимой

Создаются:

Shadow GII;

Innovation Pipeline Dashboard;

National Innovation Gap Registry.

Все существующие программы R&D и innovation mapping проходят проверку:

какую стадию инновационного цикла они финансируют?

где существуют дубли?

где отсутствует инструмент?

Запускается Proof-of-Concept Fund.

Год 2. Соединить науку и компанию

Формируются:

100 translational centers;

Researcher-to-Industry Mobility;

Industrial PhD;

TTO 2.0;

pilot facility network.

Начинается масштабирование business R&D co-funding.

Год 3. Создать полный capital stack

Разворачиваются:

Deep-Tech Fund of Funds;

scale-up capital;

I-Corps analogue;

innovation procurement;

first customer mechanisms.

Каждая приоритетная технология получает понятный финансовый маршрут от research до growth.

Год 4. Международное масштабирование

Усиливаются:

PCT;

technology export;

global talent;

international commercialization.

Несколько российских кластеров входят в мировой innovation cluster frontier.

Лучшие российские технологии массово диффундируют в промышленность.

Год 5. Национальная инновационная система мирового класса

В зрелом контуре:

исследователь знает, где проверить коммерческую гипотезу;

startup знает, где получить seed;

deep-tech company знает, где провести pilot;

предприятие знает, где найти новую технологию;

государство способно стать первым intelligent customer;

scale-up получает growth capital;

продукт получает международную IP protection и экспортную поддержку.

56.40. Что Россия должна взять у мировых лидеров

От Швейцарии:

bottom-up excellence;

автономию research actors;

университетско-промышленную кооперацию;

сильный technology transfer;

IP monetization.

От Швеции:

высокую density researchers;

большой R&D intensity;

knowledge-intensive employment;

research infrastructure;

конкурентное financing.

От США:

venture capital;

university → startup transition;

I-Corps;

SBIR/STTR logic;

corporate R&D;

scale-up ecosystem.

От Кореи:

industrial R&D;

связь innovation system с manufacturing.

От Китая:

скорость наращивания innovation capabilities;

масштабирование новых технологических отраслей.

Российская формула минимального frontier:

швейцарская связность + шведская плотность знания + американская капитализация + корейская индустриализация инноваций + российский масштаб человеческого и инженерного потенциала.

56.41. Самая важная реформа: убрать разрывы между институтами

В России уже существуют:

университеты;

академические институты;

государственные grants;

institutes of development;

банки;

корпорации;

стартапы;

технопарки;

специальные режимы.

Следовательно, часто проблема заключается не в полном отсутствии института.

Проблема:

между ними слишком дорого перемещается технология.

Исследователь должен отдельно найти:

TTO;

grant;

investor;

pilot;

customer.

Каждый следующий участник начинает due diligence почти с нуля.

Следовательно, одна из главных задач пятилетия:

создать непрерывную цифровую и институциональную биографию технологии от первого исследования до рынка.

56.42. Technology Passport

Для этого вводится единый Technology Passport.

Он сопровождает перспективный результат через стадии.

Содержит

описание технологии;

TRL;

IP;

команду;

испытания;

финансирование;

market validation;

pilot history;

regulatory status.

Следующий инвестор или институт

не начинает анализ с чистого листа.

Он видит подтвержденную историю технологии.

Это может существенно снизить транзакционные издержки innovation pipeline.

56.43. Финансировать следующий риск

Государственная инновационная система должна придерживаться простого принципа:

каждый следующий инструмент финансирует устранение следующего конкретного риска.

Research grant:

работает ли научная идея?

PoC:

работает ли технология?

Pilot:

работает ли она в реальном процессе?

Seed:

есть ли рынок?

Scale capital:

может ли бизнес быстро расти?

Export:

может ли продукт конкурировать глобально?

Так государственная поддержка перестает быть параллельным набором программ.

Она становится лестницей снятия рисков.

56.44. Программа-минимум не должна уничтожать фундаментальную науку требованием немедленной коммерциализации

Это чрезвычайно важное ограничение.

Не каждое фундаментальное исследование должно иметь:

startup;

патент;

продукт через три года.

Попытка принудительно коммерциализировать всю науку способна ухудшить ее качество.

Поэтому научная система разделяется:

Fundamental Frontier

Критерий:

научная новизна и excellence.

Translational Research

Критерий:

переход к технологии.

Industrial Innovation

Критерий:

экономический результат.

Необходимо требовать от каждого типа деятельности его собственный правильный результат.

56.45. Инновационная эффективность России: правильная постановка задачи

GII 2025 дает России необычно важный сигнал.

Outputs уже лучше inputs по рангу.

Следовательно, страна получает сравнительно много результата из ограниченного качества входной системы.

Это означает:

улучшение inputs потенциально может иметь особенно высокий multiplier, если существующая способность генерировать outputs сохранится.

Именно поэтому главная пятилетняя ставка должна быть сделана на устранение bottlenecks:

institutions;

capital;

university-industry links;

pilot infrastructure;

scale-up;

knowledge diffusion.

56.46. Конечный образ программы-минимум

Исследователь получает сильный научный результат.

Если он фундаментальный — получает возможность продолжить исследование на основе excellence.

Если потенциально прикладной — Technology Transfer Office проводит оценку.

Technology Passport создается автоматически.

Proof-of-Concept Fund дает небольшой быстрый ресурс.

Команда проходит customer discovery.

Выясняется, что существует промышленная проблема.

Translational Center создает prototype.

Pilot Facility проверяет технологию.

Deep-Tech Fund совместно с частным инвестором финансирует компанию.

Крупная корпорация выступает первым pilot customer.

После успешного испытания Innovation Procurement помогает получить первый reference contract.

Scale-Up Fund финансирует расширение.

PCT support защищает технологию на целевых рынках.

Export programme помогает войти туда.

Университет получает licensing/spin-off income.

Исследователь получает долю результата.

Частный капитал получает доход.

Государство получает:

налоги;

технологическую capability;

high-value jobs;

новый экспорт.

А затем часть капитала возвращается в следующий проект.

Так возникает не отдельная инновация.

Возникает воспроизводимая инновационная машина.

56.47. Минимальный лидерский фронтир

Пятилетняя программа должна добиться, чтобы для перспективной российской технологии больше не существовало вопроса:

«куда идти дальше?»

На каждой стадии должен существовать заранее понятный маршрут.

Есть исследование — существует PoC.
Есть PoC — существует pilot.
Есть pilot — существует seed capital.
Есть product-market fit — существует scale capital.
Есть продукт — существует first customer.
Есть конкурентоспособность — существует экспортный маршрут.

Тогда инновационная система перестает быть совокупностью отдельных институтов.

Она становится непрерывным национальным конвейером превращения знания в экономическую ценность.

56.48. Конечная формула субпрограммы-минимум

Сегодня сильнейшие российские инновационные преимущества находятся в:

людях;

образовании;

научных и инженерных компетенциях;

патентном потенциале;

масштабе внутреннего рынка.

Наиболее тяжелые разрывы находятся в:

институциональной среде;

venture capital;

business R&D;

university-industry collaboration;

knowledge diffusion;

международном технологическом масштабировании.

Следовательно, стратегическая формула должна выглядеть так:

российский талант
× мировой уровень исследований
× сильная связь с бизнесом
× полный capital stack
× pilot infrastructure
× первый рынок
× быстрое масштабирование
= глобальная инновационная система.

Главная задача пятилетия:

не просто подняться с 60-го места GII.

А построить систему, в которой каждая сильная идея получает минимально возможное расстояние до экономического результата.

И именно после освоения этого сегодняшнего мирового frontier программа-максимум должна поставить следующий вопрос:

можно ли создать инновационную систему, в которой AI непрерывно анализирует мировой научный фронтир, автоматически находит перспективные открытия, соединяет исследователей, капитал, вычислительные мощности, pilot infrastructure и первого клиента — и тем самым сокращает путь от научной идеи до новой отрасли с десятилетий до нескольких лет?

Это будет уже переход:

от глобальной инновационной системы

к:

самоускоряющейся машине технологических прорывов.

*************

Глава 57. Субпрограмма-максимум: самая быстрая в мире система превращения идеи в глобальный продукт

Программа-минимум должна устранить разрывы между:

исследованием;

proof of concept;

prototype;

pilot;

капиталом;

первым заказчиком;

масштабированием;

экспортом.

Но даже хорошо организованная инновационная система может оставаться медленной.

Технология способна несколько месяцев ждать:

решения о финансировании;

договора с университетом;

доступа к лаборатории;

патентной экспертизы;

испытания;

первого пилота;

следующего инвестиционного раунда;

сертификации;

закупочного решения.

Каждый участник может формально работать нормально.

Но последовательность из двадцати нормальных процессов превращается в многолетний innovation cycle.

Поэтому максимальный лидерский фронтир должен поставить другой вопрос:

можно ли сделать скорость превращения нового знания в глобальный продукт самостоятельным национальным конкурентным преимуществом России?

Не просто:

создавать хорошие технологии.

А:

быстрее всех превращать сильную идею в доказанную технологию, технологию — в продукт, продукт — в компанию, а компанию — в глобальный рынок.

57.1. Новый объект государственной политики — время инновационного цикла

Сегодня инновационная политика обычно считает:

R&D expenditure;

патенты;

стартапы;

венчурные инвестиции;

high-tech exports.

Все эти показатели важны.

Но они практически не отвечают на вопрос:

сколько времени потребовалось?

Между тем одна и та же инновация имеет совершенно разную экономическую ценность, если одна страна вывела ее на рынок через два года, а другая — через семь.

Первая:

раньше получает рынок;

раньше создает производственный learning curve;

раньше привлекает следующий капитал;

раньше формирует стандарт;

раньше создает ecosystem.

Следовательно:

в технологической конкуренции время является такой же частью продукта, как цена и качество.

57.2. Главный показатель — Idea-to-Global-Product Time

Предлагается ввести новый национальный KPI:

Idea-to-Global-Product Time — IGPT.

Он измеряет время:

от:

идеи, прошедшей первоначальную научно-техническую проверку,

до:

устойчивых коммерческих продаж продукта на нескольких рынках либо его широкого промышленного применения.

Цикл разделяется на этапы:

Idea → Proof of Concept → Prototype → Pilot → First Customer → Scale → Global Product.

Для каждого этапа определяется собственное время.

Так государство впервые сможет увидеть:

где именно инновация теряет годы.

57.3. Почему нельзя установить один срок для всех технологий

Software product может выйти на рынок за месяцы.

Новый промышленный датчик — за год или два.

Сложный материал — несколько лет.

Лекарственный препарат или технология атомной энергетики объективно требуют значительно более длительных исследований, испытаний и контроля безопасности.

Следовательно, неправильная цель:

«каждая инновация должна выйти на рынок за один год».

Правильная:

для каждого технологического класса Россия должна иметь самый короткий в мире цикл, совместимый с физическими, научными и safety-ограничениями данного класса.

Вводится показатель:

Frontier Innovation Speed Ratio.

Если международный лучший сопоставимый цикл равен T, российский target должен быть:

≤T

а на максимальном фронтире:

существенно меньше T.

57.4. Почему мировой frontier уже движется к сокращению цикла

Мировые инновационные институты начинают сознательно соединять стадии, которые раньше существовали раздельно.

Американский NSF I-Corps превращает customer discovery в отдельную часть научно-предпринимательского процесса. С 2012 года более 3,2 тыс. технологий прошли через программу; 52% национальных I-Corps teams связаны с созданием стартапов, а возникшие компании привлекли около 7 млрд долларов последующего финансирования, примерно три четверти которого были частными.

DARPA строит программы вокруг уполномоченного Program Manager, конкретных milestones и ограниченного временного горизонта. Сами program managers обычно работают менее пяти лет, что сознательно создает высокий темп исполнения; для оценки программы используется набор вопросов Heilmeier — что именно делаем, что нового, кому это нужно, сколько стоит, сколько займет и каковы промежуточные и финальные экзамены.

ARPA-H использует сходную конструкцию: программа имеет амбициозную измеримую цель, Program Manager управляет портфелем конкурирующих исполнителей, а лучшие решения проходят дальше. Полный программный lifecycle может составлять до пяти лет. Отдельная transition-команда работает «от конечного результата назад», заранее включая commercialization и regulatory considerations в дизайн программы.

Европейский Innovation Council уже выстраивает финансовую лестницу от Pathfinder через Transition к Accelerator и STEP Scale Up: в программе 2026 года существуют отдельные инструменты для breakthrough research, maturation технологии, коммерческого масштабирования и крупных equity rounds.

Одновременно AI и роботизация начинают сокращать непосредственно научный цикл. Berkeley Lab сообщает, что автоматизированная A-Lab способна обрабатывать в десятки раз больше образцов за день, чем обычный ручной процесс, а DOE в 2026 году отдельно выделяет AI-driven autonomous laboratories как инфраструктуру ускорения научного открытия.

Все эти элементы пока существуют в мире преимущественно как отдельные ускорители разных стадий.

Российская программа-максимум должна соединить их в одну систему.

57.5. Центральный проект — ИИ-АСУ «Инновации России»

В составе ИИ-АСУ «Россия» предлагается создать:

ИИ-АСУ «Инновации России» — национальную интеллектуальную систему управления временем превращения знания в технологический и рыночный результат.

Она не должна решать:

какая научная идея истинна;

какой предприниматель обязательно победит;

куда частный инвестор обязан вложить средства.

Ее задача другая.

Убирать организационное время, не создающее знания или продукт.

Система отслеживает

Technology Passport;

TRL;

IP;

финансирование;

испытания;

pilot infrastructure;

регуляторный статус;

первого заказчика;

инвестиционные milestone;

экспортную готовность.

Для каждой технологии она отвечает

какой следующий barrier?

кто способен его устранить?

какой ресурс нужен?

почему проект не двигается?

сколько времени потеряно?

Так инновационная политика превращается:

из:

финансирования организаций

в:

управление скоростью прохождения технологии через барьеры.

57.6. GLR-INNO-MAX-01. Создать единый Technology ID

Перспективная технология получает постоянный цифровой идентификатор на первой стадии formal validation.

Этот ID сохраняется через:

университет;

грант;

TTO;

стартап;

pilot;

инвестора;

сертификацию;

экспорт.

Результат

Каждый следующий институт видит уже доказанную историю.

Технология перестает:

начинать биографию с нуля при переходе из одной организации в другую.

57.7. GLR-INNO-MAX-02. Создать Innovation Digital Thread

Technology ID становится основой полной цифровой нити.

Она включает:

исследовательские результаты;

данные экспериментов;

TRL;

IP;

market validation;

prototype history;

испытания;

версии продукта;

сертификацию;

инвестиции.

Принцип

одна технология — одна непрерывная цифровая история от исследования до рынка.

57.8. GLR-INNO-MAX-03. Создать AI Global Opportunity Radar

AI непрерывно анализирует:

научные публикации;

патенты;

технологические стандарты;

венчурные сделки;

корпоративный R&D;

новые продукты;

регуляторные изменения.

Его задача

искать пересечения:

мировая emerging opportunity × российская capability.

Результат

Государство и российские исследовательские центры раньше замечают технологические окна.

KPI

Opportunity Detection Lead Time.

На сколько раньше российская система обнаружила перспективное направление до его массового выхода на рынок?

57.9. GLR-INNO-MAX-04. Создать AI Scientific Copilot для каждого исследователя

Исследователь получает защищенный AI-инструментарий для:

literature review;

поиска противоречий;

анализа данных;

планирования эксперимента;

моделирования;

подготовки кода;

сравнения гипотез.

Цель

Не заменить ученого.

А убрать тысячи часов низкопроизводительной интеллектуальной рутины.

Новый KPI

Researcher Discovery Multiplier.

57.10. GLR-INNO-MAX-05. Создать национальную сеть автономных лабораторий

Для областей, где процесс поддается роботизации:

materials;

chemistry;

biotechnology;

electronics;

formulation

создается сеть Self-Driving Laboratories.

Цикл

AI предлагает гипотезу;

robot выполняет эксперимент;

аналитическая система измеряет;

AI обновляет модель;

следующий эксперимент запускается автоматически.

Современные DOE и national-lab проекты уже соединяют AI, robotics, real-time analytics и intelligent feedback именно в такой closed-loop architecture.

Цель

Перевести часть научного процесса:

из режима «несколько экспериментов в день»

в:

24/7 high-throughput discovery.

57.11. GLR-INNO-MAX-06. Создать Autonomous Lab-as-a-Service

Каждый университет не обязан покупать собственную роботизированную лабораторию.

Исследователь получает удаленный доступ к shared facility.

Он передает

experiment specification.

Система выполняет:

синтез;

измерение;

analysis.

Результат

Передовая экспериментальная capability становится доступна:

не десяткам лабораторий,

а:

тысячам исследовательских команд.

57.12. GLR-INNO-MAX-07. Создать National Scientific Compute-on-Demand

Технологическая команда должна получать вычислительную мощность:

не после многомесячной инфраструктурной закупки,

а:

по запросу.

Compute предоставляется

для:

AI;

simulation;

digital twins;

materials;

biotech;

engineering.

Принцип

вычислительная мощность становится научной инфраструктурой общего назначения, как электроэнергия для лаборатории.

57.13. GLR-INNO-MAX-08. Создать Rapid Proof-of-Concept 10

Для квалифицированных небольших PoC-проектов решение должно приниматься в режиме:

до 10 рабочих дней.

Почему

Если нужен ограниченный ресурс для проверки ключевой гипотезы, многомесячный конкурс способен стоить экономике больше, чем сам грант.

Механизм

короткая заявка;

Technology ID;

peer review;

фиксированный небольшой лимит;

автоматический milestone.

KPI

Idea-to-Experiment Start Time.

57.14. GLR-INNO-MAX-09. Ввести ARPA-style Program Manager

Для 10–15 наиболее амбициозных Technology Missions вводится модель персонально уполномоченного Program Manager.

Он получает

фиксированный срок;

бюджет;

измеримую цель;

право формировать несколько конкурирующих команд;

право закрывать слабые направления;

право усиливать успешные.

Он отвечает

не за:

освоение бюджета.

А:

за изменение состояния технологии к заданному сроку.

Функциональный benchmark — ограниченные по времени, milestone-driven модели DARPA и ARPA-H.

57.15. GLR-INNO-MAX-10. Ввести Russian Heilmeier Test

Каждая крупная breakthrough programme до запуска должна ответить простым языком:

1. Что именно мы пытаемся сделать?
2. Как это делается сегодня?
3. В чем принципиально новое решение?
4. Почему оно может сработать?
5. Кто получит ценность?
6. Какие ключевые риски?
7. Сколько потребуется ресурсов?
8. Сколько потребуется времени?
9. Как выглядит промежуточный экзамен?
10. Что будет считаться окончательной победой?

Это адаптация proven DARPA logic к российской системе.

Запрещенный ответ

«развить направление».

Необходимо назвать состояние мира, которое должно измениться.

57.16. GLR-INNO-MAX-11. Финансировать конкурирующие технологические гипотезы

Для breakthrough problem нельзя заранее знать лучший путь.

Поэтому государство финансирует:

не одну заранее выбранную организацию,

а:

3–10 конкурирующих технических подходов.

На каждом stage gate

часть закрывается.

Ресурс переносится к лучшим.

Принцип

конкурирует не только компания. Конкурирует способ решения проблемы.

57.17. GLR-INNO-MAX-12. Ввести Kill-or-Scale Gates

Каждые:

6;

9;

12 месяцев

в зависимости от типа программы проводится жесткий milestone review.

Решения:

scale;

continue;

pivot;

stop.

Недопустимый вариант

«продолжить потому, что проект уже финансируется три года».

Цель

Быстро прекращать слабый путь и освобождать:

деньги;

людей;

оборудование

для сильного.

57.18. GLR-INNO-MAX-13. Создать National Negative Results Bank

Неудачный эксперимент является знанием.

Но сегодня разные группы могут повторять один и тот же тупиковый путь.

Для финансируемых государством applied projects

структурированно фиксируются:

failed approaches;

conditions;

data;

reason for failure.

Режим доступа

учитывает:

IP;

commercial secrecy;

security.

Принцип

страна не должна дважды платить за одну и ту же известную ошибку.

57.19. GLR-INNO-MAX-14. Создать переход Researcher → Founder за 30 дней

Если исследователь решил создавать spin-off, административный переход не должен занимать полгода.

Стандарт

типовая корпоративная структура;

стандартное соглашение по IP;

conflict-of-interest rules;

research leave;

founder equity.

Цель

В подходящем стандартном случае:

решение о spin-off → юридически готовая компания ≤30 дней.

57.20. GLR-INNO-MAX-15. Ввести Default Founder-Friendly License

Университет или государственная лаборатория не должны месяцами индивидуально согласовывать стандартную лицензию.

Для spin-off создается несколько типовых вариантов:

royalty;

equity;

hybrid.

Если технология не относится к специальной категории

используется default template.

KPI

IP Negotiation Time.

Цель — недели, не месяцы.

57.21. GLR-INNO-MAX-16. Создать AI IP Strategist

Для перспективной технологии AI предварительно анализирует:

prior art;

freedom-to-operate;

патентные landscape;

целевые рынки;

варианты:

patent;

trade secret;

open standard.

Человек-патентный специалист принимает профессиональное решение.

Эффект

Команда получает IP strategy до публикации и до международного масштабирования, а не постфактум.

57.22. GLR-INNO-MAX-17. Создать National Venture Builder Network

Некоторые сильные технологии не имеют founder.

В этом случае технология не должна автоматически умирать.

Venture Builder подбирает

CEO;

CTO;

product lead;

commercial co-founder.

Университет предоставляет технологию

а предпринимательская команда строит компанию.

Новый KPI

Orphan Technology Rescue Rate.

57.23. GLR-INNO-MAX-18. Создать AI Customer Discovery

До масштабного финансирования система помогает определить:

потенциальных клиентов;

аналоги;

ценовой диапазон;

market segmentation.

Но AI не заменяет реального общения.

После этого команда обязана провести structured customer discovery.

Американский I-Corps демонстрирует, что раннее обучение исследователей customer discovery способно стать мощным переходным институтом между лабораторией и startup.

57.24. GLR-INNO-MAX-19. Ввести Market-before-Scale Rule

До крупного CAPEX технологический проект должен показать хотя бы одно из:

paid pilot;

binding customer interest;

offtake;

validated international demand.

Исключения

фундаментальная инфраструктура;

стратегические capabilities,

где рыночная модель неприменима.

Принцип

сначала доказать проблему и клиента — затем масштабировать производство.

57.25. GLR-INNO-MAX-20. Создать Programmable Pilot Factory Network

Pilot factory должна быть способна быстро менять:

оборудование;

оснастку;

software;

process route.

Компания покупает

не завод,

а:

доступ к производственной capability.

Target для подходящих industrial products

prototype → pilot line: месяцы, а не годы.

57.26. GLR-INNO-MAX-21. Ввести Pilot Slot Guarantee

Перспективная технология не должна год ждать окна испытательной площадки.

Для национальных priority technologies гарантируется:

доступ к соответствующей pilot facility в течение заранее установленного SLA.

Новый KPI

Technology Ready → Pilot Start Time.

57.27. GLR-INNO-MAX-22. Создать Model-Based Testing

Часть физических испытаний может предваряться или дополняться:

simulation;

digital twin;

synthetic stress testing.

Цель

Уменьшить число дорогих физических итераций.

Важно

Модель не заменяет обязательное испытание там, где это запрещено safety requirements.

Она удаляет избыточную экспериментальную итерацию, а не необходимое доказательство безопасности.

57.28. GLR-INNO-MAX-23. Создать Regulatory Digital Twin

Для регулируемой технологии еще на стадии prototype моделируется:

какие доказательства понадобятся?

какие испытания?

какие standards?

какой regulator?

Команда не узнает требования

после завершения продукта.

Принцип

регуляторный маршрут проектируется одновременно с технологическим.

57.29. GLR-INNO-MAX-24. Ввести Continuous Regulatory Advice

Для:

medtech;

biotech;

autonomous systems;

новой энергетики;

других regulated technologies

команда получает постоянный контакт с regulatory experts.

Цель

Не снизить стандарт безопасности.

А избежать ситуации, когда разработчик три года создает продукт, который затем приходится перепроектировать из-за неправильно выбранной regulatory architecture.

57.30. GLR-INNO-MAX-25. Создать Challenge-to-Purchase Pipeline

Государственный или корпоративный заказчик публикует:

проблему;

performance specification.

Далее

несколько команд получают PoC;

лучшие — pilot;

победители — первый procurement.

Так исчезает разрыв

«успешный эксперимент — и неизвестно, кто купит».

57.31. GLR-INNO-MAX-26. Ввести First Customer 90

Для технологически готовых и юридически допустимых решений создается fast track первого пилотного заказчика.

Цель

От:

pilot-ready

до:

начала первого реального применения

— целевой режим до 90 дней в подходящих категориях.

Для сложных регулируемых систем устанавливаются отдельные сроки.

57.32. GLR-INNO-MAX-27. Создать автоматический Capital Escalator

Technology Passport содержит milestone history.

При достижении следующего уровня система автоматически открывает доступ к следующему классу капитала.

Например

PoC verified →

seed;

pilot success →

Series A / industrial financing;

first recurring revenue →

growth capital.

Инвестор самостоятельно решает, вкладывать ли средства.

Но технологическая компания не тратит месяцы на поиск:

«какой государственный инструмент теперь существует?»

57.33. GLR-INNO-MAX-28. Создать Continuous Investment Readiness Score

AI и эксперты оценивают:

technology risk;

market;

team;

IP;

unit economics;

pilot results.

Компания постоянно видит

что именно мешает следующему раунду.

Новый KPI

Time Between Funding Rounds, скорректированный по стадии.

57.34. GLR-INNO-MAX-29. Ввести Fast Follow-On Financing

Если проект:

выполнил milestone;

имеет независимую validation;

привлек частного co-investor,

следующий публичный инструмент не должен повторять due diligence с нуля.

Используется

Technology Digital Thread.

Цель

Сократить повторную государственную экспертизу на 70–90%.

57.35. GLR-INNO-MAX-30. Создать Scale-Up Capital Machine

Европейский EIC последовательно разделяет поддержку технологического maturation, Accelerator и крупные STEP Scale Up rounds; в 2026 году STEP предусматривает инвестиции порядка 10–30 млн евро на компанию именно для масштабирования breakthrough technologies.

Россия должна создать собственную непрерывную лестницу:

seed;

Series A;

growth;

industrial scale.

Главный KPI

Pilot Success → Scale Capital Time.

57.36. GLR-INNO-MAX-31. Ввести Export-by-Design с первого prototype

Еще до первой серии команда определяет:

3–5 потенциальных зарубежных рынков;

стандарты;

сертификацию;

IP;

service model;

price benchmark.

Не каждый startup обязан экспортировать.

Но продукт с потенциально глобальным рынком не должен сначала проектироваться исключительно под одну национальную среду.

57.37. GLR-INNO-MAX-32. Создать Global Launch Corridors

С партнерскими юрисдикциями формируются ускоренные маршруты для:

взаимного pilot;

сертификации;

testing;

soft landing;

поиска клиента.

Инновационная компания получает

не просто экспортный совет,

а:

готовый маршрут второго рынка.

57.38. GLR-INNO-MAX-33. Создать программу «Первый зарубежный клиент»

Для компаний, уже доказавших продукт внутри России, государственная инфраструктура помогает найти:

первый международный reference customer.

Поддержка включает

market validation;

сертификацию;

страхование;

локального партнера.

KPI

Domestic First Sale → Foreign First Sale Time.

57.39. GLR-INNO-MAX-34. Создать Global Product Team

Для наиболее сильных deep-tech компаний формируется временная команда:

product;

international sales;

regulatory;

IP;

manufacturing;

finance.

Цель

Стартап не должен самостоятельно открывать каждую компетенцию именно в тот момент, когда ему необходимо быстро масштабироваться.

57.40. GLR-INNO-MAX-35. Создать Innovation Replication Engine

Если одна российская технология доказала:

+30% производительности;

−50% расхода;

новое качество,

система автоматически ищет:

где еще в российской экономике существует аналогичная проблема.

Формируется replication package

technology;

economics;

integration guide;

supplier;

training.

Цель

изобретение масштабируется внутри страны прежде, чем его успевает полностью скопировать внешний конкурент.

57.41. GLR-INNO-MAX-36. Ввести Technology Diffusion SLA

Для технологий с доказанным мультипликатором измеряется:

первое внедрение;

10 внедрений;

100;

Новый KPI

1→1000 Adoption Time.

Национальная инновационная система считается быстрой только тогда, когда быстро распространяется не только startup, но и полезная технология.

57.42. GLR-INNO-MAX-37. Создать Machine-Readable Innovation Regulation

Правила для типовых innovation processes переводятся в структурированный цифровой формат.

AI способен определить

какое разрешение необходимо;

какие документы;

какая последовательность.

Это уменьшает

юридический search cost

и позволяет Government API встроить regulatory path непосредственно в Technology Passport.

57.43. GLR-INNO-MAX-38. Создать Innovation API State

Стартап и университет не должны вручную посещать десятки государственных интерфейсов.

Через API можно:

подать данные;

получить статус;

зарегистрировать стандартную операцию;

проверить eligibility.

Принцип

государство интегрируется в innovation workflow, а не innovation workflow постоянно прерывается ради государства.

57.44. GLR-INNO-MAX-39. Ввести Innovation Time Dividend

Каждый государственный институт поддержки получает KPI:

сколько времени он сэкономил инновационным проектам.

Например:

сократил PoC decision с 90 до 10 дней;

pilot access с 180 до 30;

license agreement с 120 до 20.

Новый показатель

Innovation Days Saved.

Он переводит административную эффективность в непосредственно измеряемый экономический результат.

57.45. GLR-INNO-MAX-40. Создать самообучающуюся национальную innovation system

ИИ-АСУ анализирует тысячи Technology Digital Threads.

Она видит:

где проекты чаще всего останавливаются;

какое разрешение задерживает;

какой капитал отсутствует;

какой тип pilot недоступен.

Если системный bottleneck повторяется

он автоматически становится объектом реформы.

Таким образом

каждая следующая тысяча инновационных проектов должна проходить систему быстрее предыдущей.

57.46. Архитектура сорока суперрешений

Контур	Мероприятия	Что ускоряется
Digital Innovation Thread	01–03	Поиск возможности и передача знания
AI Science	04–07	Научный discovery cycle
Rapid Validation	08–13	Идея → доказательство
Researcher → Company	14–18	Технология → предприниматель
Market Validation	19	Проверка спроса
Pilot Infrastructure	20–22	Prototype → industrial proof
Regulation	23–24	Technology-ready → legally usable
First Customer	25–26	Pilot → reference market
Capital	27–30	Milestone → следующий раунд
Globalization	31–34	National product → global product
Diffusion	35–36	One success → mass adoption
Digital State	37–38	Снижение государственного трения
Learning System	39–40	Постоянное ускорение всей системы

57.47. Семь часов национальной инновационной системы

Для каждого проекта должны одновременно работать семь clocks.

Science Clock

Idea → validated result.

Technology Clock

Validated result → working prototype.

Industrial Clock

Prototype → reproducible product.

Regulatory Clock

Product → lawful deployment.

Capital Clock

Milestone → next financing.

Market Clock

Product → first paying customer.

Global Clock

Domestic product → multi-market product.

Совокупное время:

IGPT = Science + Technology + Industrial + Regulatory + Capital + Market + Global delays.

При этом многие этапы должны идти параллельно, а не последовательно.

57.48. Главная организационная революция — параллельность

Традиционная инновационная система работает так:

сначала технология;

потом IP;

потом рынок;

потом regulatory;

потом pilot;

потом инвестиции;

потом экспорт.

Это архитектура очереди.

Максимальная система должна работать иначе.

Уже на стадии prototype параллельно существуют:

IP strategy;

customer discovery;

regulatory path;

pilot design;

capital preparation;

export hypothesis.

Формула

Parallel-by-Default Innovation.

Последовательность используется только там, где следующий шаг объективно зависит от результата предыдущего.

57.49. Новый показатель — Parallelization Rate

Для каждого innovation project измеряется:

какая доля независимых процессов выполнялась параллельно?

Например:

patent filing

и:

customer discovery

не обязаны ждать друг друга.

Цель

Максимизировать параллельность без увеличения риска ошибок.

57.50. Новый показатель — Waiting-to-Working Ratio

Вводится один из ключевых показателей главы:

Waiting-to-Working Ratio = время ожидания / активное время создания результата.

Допустим, technology project длился 30 месяцев.

Но фактическая:

работа;

эксперимент;

engineering;

testing

заняли 14 месяцев.

Остальные 16 месяцев — ожидание.

Это означает, что проблема не научная.

Она организационная.

Максимальный target

Waiting-to-Working Ratio должен стремиться к технологически неизбежному минимуму.

57.51. Новый показатель — Knowledge Half-Life Loss

Современное знание быстро устаревает.

Если перспективная технология пять лет проходит институциональную систему, часть ее исходного преимущества может исчезнуть до выхода на рынок.

Предлагается оценивать:

какая доля первоначального technological lead потеряна из-за задержки commercialization.

Это делает стоимость времени особенно видимой.

57.52. Новый показатель — First-Mover Capture Rate

Не всякий первый продукт побеждает.

Но скорость дает возможность раньше:

получить данные;

сформировать customer relationships;

выстроить standard;

создать ecosystem.

Поэтому измеряется:

какую долю новых технологических ниш российские компании успевают занять до их массового созревания?

Задача — увеличить не просто число инноваций.

А число случаев, когда российская компания становится формирователем нового рынка.

57.53. Новый показатель — Science-to-Company Time

Сколько времени проходит:

от решения коммерциализировать результат

до:

компании, юридически способной:

получить инвестицию;

нанять команду;

заключить контракт;

использовать IP?

Для стандартной spin-off модели максимальный frontier должен измеряться неделями.

57.54. Новый показатель — Prototype-to-Pilot Time

Очень многие deep-tech projects умирают именно здесь.

Поэтому для каждой отрасли создается benchmark:

electronics;

robotics;

materials;

biotech;

industrial equipment.

Цель

В подходящих областях сокращать цикл минимум вдвое относительно исходного российского baseline и затем превосходить текущий мировой frontier.

57.55. Новый показатель — Pilot-to-Global Time

Это, возможно, самый важный коммерческий показатель.

Россия умеет создавать prototype.

Мировое лидерство требует:

после успешного pilot чрезвычайно быстро превращать технологию в масштабный международный продукт.

Измеряется:

pilot success → first recurring domestic revenue;

pilot success → first foreign customer;

pilot success → three international markets.

57.56. Три режима инновационной скорости

Нельзя управлять всеми технологиями одинаково.

Fast Track

Software;

AI applications;

digital products;

часть electronics.

Цикл измеряется месяцами.

Deep-Tech Track

Robotics;

advanced materials;

industrial equipment;

photonics.

Цикл измеряется несколькими годами.

Safety-Critical Track

Medicine;

aviation;

nuclear;

другие high-risk technologies.

Здесь нельзя жертвовать доказательством безопасности ради скорости.

Максимальный принцип

не минимальное абсолютное время — минимальное необязательное время.

57.57. Скорость не должна разрушать качество науки

Главный риск программы — превратить:

«быстрее»

в:

«поверхностнее».

Фундаментальная наука иногда требует:

долгого эксперимента;

наблюдения;

повторения;

проверки.

Ни один административный KPI не должен вынуждать исследователя объявлять результат раньше, чем он доказан.

Поэтому ускоряются прежде всего:

поиск информации;

доступ к compute;

закупка стандартного ресурса;

административное решение;

доступ к equipment;

переход между стадиями.

Не отменяется:

scientific rigor.

57.58. Скорость не должна разрушать безопасность

Та же граница действует для:

medtech;

pharma;

autonomous transport;

energy.

Если safety test требует определенного физического времени, он выполняется полностью.

Но:

документы;

планирование;

анализ;

подготовка следующего этапа

могут идти параллельно.

Формула

ускорять доказательство безопасности, а не отменять его.

57.59. Скорость не должна создавать государственную фабрику плохих стартапов

Если funding decision принимается за 10 дней, это не означает:

финансировать все подряд.

Быстрый процесс должен быть:

простым;

но:

жестким.

Лучше

10 дней до честного «нет»,

чем:

9 месяцев до формального «может быть».

Инновационной системе необходима скорость определенности.

57.60. Быстрый провал — тоже экономический результат

Если технологическая гипотеза неверна, лучше узнать это через:

6 месяцев

и:

10 млн рублей,

чем через:

5 лет

и:

1 млрд.

Следовательно, одна из задач системы:

сокращать Time to Validated Failure.

Это не цинизм.

Это важнейшая функция R&D.

Быстрый честный negative result освобождает ресурсы для следующей гипотезы.

57.61. Портфель вместо ставки на одного победителя

Для highly uncertain frontier technology государство должно мыслить:

как portfolio manager.

Из десяти проектов:

часть закрывается;

часть дает полезные побочные технологии;

один или два могут создать breakthrough.

Неправильная система

требует успеха каждого проекта.

Правильная

требует:

высокой общей доходности технологического портфеля.

57.62. Масштабирование должно начинаться до завершения R&D

Если технология выглядит перспективно, невозможно ждать завершения всех R&D activities и только после этого думать:

где будет производство?

кто будет supplier?

какие skills нужны?

В параллель идут

supplier mapping;

factory design;

certification plan;

capital plan.

Если технология не проходит milestone — подготовка прекращается.

Если проходит — год или два уже сэкономлены.

57.63. Глобальный рынок должен входить в лабораторию

Инновационная команда должна видеть не только:

научный frontier.

Она должна понимать:

какие customer needs существуют в:

Китае;

Индии;

странах Персидского залива;

Юго-Восточной Азии;

Латинской Америке;

Африке;

других доступных рынках.

Это не означает

проектировать науку под мгновенную коммерцию.

Это означает:

если технология стала продуктом, мировой рынок не должен оказаться для команды неожиданностью.

57.64. Самая быстрая система должна быть самой простой для талантливого человека

В конечном счете innovation system существует для конкретного человека.

Исследователь не должен быть профессионалом одновременно в:

грантах;

закупках;

патентном праве;

venture finance;

таможне;

сертификации.

Он должен быть лучшим:

в своей технологии.

Остальное предоставляет system infrastructure.

Максимальный принцип

талант должен тратить максимум времени на то, что только он способен сделать.

57.65. Пятилетняя последовательность реализации

Год 1. Измерить время

Создаются:

IGPT;

Technology ID;

Innovation Digital Thread;

Waiting-to-Working Ratio;

Innovation Days Saved.

По 1000 технологиям строится baseline полного цикла.

Определяются 20 крупнейших системных задержек.

Год 2. Ускорить раннюю стадию

Масштабируются:

AI Scientific Copilot;

autonomous labs;

PoC-10;

Russian Heilmeier Test;

Program Manager model;

founder-friendly licenses;

Researcher-to-Founder 30.

Год 3. Ускорить промышленный переход

Создаются:

Programmable Pilot Factory Network;

Pilot Slot Guarantee;

Regulatory Digital Twin;

First Customer 90;

Capital Escalator.

Технологии начинают двигаться через system gates без повторного старта due diligence.

Год 4. Ускорить масштаб и глобализацию

Scale-Up Capital Machine соединяется с:

Export-by-Design;

Global Launch Corridors;

First Foreign Customer;

Innovation Replication Engine.

Лучшие российские продукты идут на несколько рынков практически одновременно с масштабированием производства.

Год 5. Самоускоряющаяся innovation system

ИИ-АСУ автоматически обнаруживает повторяющиеся задержки.

Каждый крупный институт имеет KPI Innovation Days Saved.

Лучшие программы масштабируются.

Медленные процессы перепроектируются.

Средний цикл каждого технологического класса становится короче ежегодно.

57.66. Целевой dashboard

Показатель	Пятилетний ориентир
Technology ID для проектов лидерского контура	≈100%
Полный Innovation Digital Thread	≈100%
Standard PoC decision	≤10 рабочих дней
Standard spin-off readiness	≤30 дней
Pilot-ready → pilot start	снижение минимум вдвое
Подходящие технологии: pilot-ready → first customer	target ≤90 дней
Повторный due diligence между инструментами	−70–90%
Knowledge-to-Market Time	−50% и более
Waiting-to-Working Ratio	сокращение минимум вдвое
Pilot → Scale Capital Time	−50%
Domestic first sale → first foreign sale	−50%
1→100 adoption time для доказанных технологий	−50%
Applied programmes с Kill-or-Scale gates	100%
Applied programmes с Transition Plan from Day 1	100%
Innovation Days Saved	ежегодный рост
Repeat bottleneck rate	ежегодное снижение

Абсолютные сроки должны устанавливаться отдельно для каждого технологического класса.

57.67. Новый национальный мегапроект — «1000 продуктов за 1000 дней»

Для проверки новой системы предлагается масштабный демонстрационный проект.

Выбираются:

1000 перспективных российских технологий

разной зрелости.

Каждая получает:

Technology ID;

digital thread;

market test;

доступ к pilot;

capital route;

regulatory route;

first-customer route.

В течение 1000 дней система должна максимально большое число из них довести до

commercial product;

industrial adoption;

либо доказанного отрицательного результата.

Цель мегапроекта

Не обещать 100% успех.

А проверить:

способна ли новая национальная система резко увеличить throughput innovation pipeline.

57.68. Самый важный показатель мегапроекта — не число победителей

Главные результаты:

сколько проектов дошло до следующей стадии?

сколько времени занял переход?

где проекты остановились?

какие bottlenecks повторились?

сколько частного капитала пришло?

сколько продуктов получили клиента?

сколько вышли на второй рынок?

Так 1000 технологий превращаются одновременно в:

национальный stress test инновационной системы.

57.69. Максимальная innovation system должна становиться быстрее от собственного использования

Обычная государственная система может работать одинаково десять лет.

AI-native система должна обучаться.

Если за год прошло 10 тыс. проектов, государство получает огромный dataset:

какое TTO быстрее?

какой документ вызывает задержку?

какой pilot facility bottleneck?

какой financing gap?

какая программа имеет высокую conversion?

Результат

в следующем году:

формы короче;

срок меньше;

инструмент точнее;

капитал появляется раньше.

То есть сама национальная инновационная машина проходит собственный learning curve.

57.70. От Innovation System к Innovation Compiler

Программный compiler превращает:

человеческое описание

в:

исполняемую машиной структуру.

Можно использовать аналогию.

Сегодня ученый имеет:

идею.

Но между идеей и продуктом существует огромное количество институционального «кода»:

IP;

finance;

pilot;

standards;

procurement;

export.

Программа-максимум должна создать своего рода:

Innovation Compiler — систему, автоматически превращающую зрелую технологическую идею в последовательность необходимых действий, ресурсов и институтов.

Она не создает саму гениальную идею вместо человека.

Она делает другое:

не позволяет гениальной идее погибнуть между организациями.

57.71. Минимальный и максимальный фронтир

Программа-минимум	Программа-максимум
Innovation Pipeline	Innovation Digital Thread
Proof-of-Concept Fund	PoC-10
TTO	AI + standardized instant technology transfer
Pilot facility	Programmable Pilot Factory
Researcher-to-Industry	Researcher-to-Founder 30
Venture Fund	Automatic Capital Escalator
Innovation Procurement	Challenge-to-Purchase
Regulatory Sandbox	Regulatory Digital Twin
First customer	First Customer 90
Export support	Global Launch Corridor
Technology diffusion	1→1000 Replication Engine
R&D programme	ARPA-style milestone portfolio
Innovation system	Self-accelerating Innovation Compiler

57.72. Конечный образ системы

Исследователь получает результат.

AI scientific system сразу проверяет:

literature;

prior art;

возможные применения.

Technology ID создается.

За несколько дней проходит expert screen.

Команда получает небольшой PoC resource.

Эксперимент проводится через shared autonomous laboratory.

Гипотеза подтверждается.

TTO предлагает стандартные варианты IP.

Исследователь выбирает spin-off.

Компания создается.

Customer Discovery показывает три возможных рынка.

AI IP Strategist формирует международную protection strategy.

Programmable Pilot Factory уже резервирует slot.

Regulatory Digital Twin сообщает, какие испытания необходимо проводить.

Пока создается prototype:

venture builder формирует команду;

Capital Escalator готовит следующий round;

потенциальный customer участвует в challenge programme.

Prototype работает.

Через несколько недель начинается pilot.

Pilot подтверждает economics.

First Customer 90 дает reference deployment.

Следующий capital round использует уже существующий Technology Digital Thread.

Повторный due diligence минимален.

Параллельно завершена международная сертификация для первого зарубежного рынка.

Производство масштабируется.

Через короткий период появляется первый иностранный клиент.

После доказательства результата Innovation Replication Engine обнаруживает сотни российских предприятий, где технология дает аналогичный эффект.

Технология распространяется.

На каждом этапе человек занимался:

исследованием;

техническим решением;

предпринимательским выбором;

ответственностью.

А система убирала:

ожидание;

поиск;

повторный ввод данных;

несогласованность;

ненужную последовательность.

Это и есть самая быстрая инновационная система.

57.73. Новый мировой benchmark

Global Innovation Index отвечает:

насколько сильна инновационная система страны?

Следующее поколение benchmark должно отвечать:

с какой скоростью эта система превращает возможность в мировой результат?

Россия может предложить новую группу показателей:

Idea-to-Global-Product Time;

Knowledge-to-Market Time;

Science-to-Company Time;

Prototype-to-Pilot Time;

Pilot-to-First-Customer Time;

Pilot-to-Global Time;

Waiting-to-Working Ratio;

Parallelization Rate;

1→1000 Adoption Time;

Time to Validated Failure;

Innovation Days Saved.

Это измеряет уже не только объем innovation capacity.

Это измеряет:

скорость работы национального интеллекта как экономической системы.

57.74. Максимальный лидерский фронтир

Будущим мировым инновационным лидером может стать не только страна:

с крупнейшим R&D budget;

с максимальным числом патентов;

с крупнейшим venture market.

В мире ускоряющегося technological change фундаментальное преимущество получит страна, которая умеет сжимать полный innovation cycle.

Она первой:

видит opportunity;

проверяет гипотезу;

строит prototype;

получает клиента;

находит капитал;

масштабирует;

выходит на мировой рынок.

Поэтому конечная цель программы-максимум должна быть сформулирована предельно конкретно:

между сильной российской идеей и глобальным продуктом не должно существовать ни одного дня ожидания, который не нужен для создания знания, доказательства безопасности или самого продукта.

Все остальное время является объектом реформы.

Именно здесь возникает принципиально новая модель глобального инновационного лидерства.

Не:

кто больше финансирует инновации.

Не:

кто создает больше организаций инновационной инфраструктуры.

А:

кто быстрее всех превращает новое знание в новую экономическую реальность.

Программа-минимум должна сделать российскую инновационную систему сопоставимой с лучшими существующими системами мира.

Программа-максимум должна создать систему, которую затем будут изучать другие страны:

национальную инновационную машину, работающую 24/7, соединяющую AI, ученых, автономные лаборатории, капитал, пилотное производство, государство и мировой рынок в один непрерывный контур — от идеи до глобального продукта.

И если программа-минимум должна увеличить количество успешных инноваций,

то программа-максимум должна сделать значительно более радикальную вещь:

сократить само время между будущим и настоящим.

************

ЧАСТЬ XIV. СУБПРОГРАММА «МИРОВАЯ СИСТЕМА R&D»

Глава 58. Исследовательские системы лидирующих стран

Исследования и разработки — это не один из секторов современной экономики.

Это система производства нового знания и новых технологических возможностей, из которых через несколько лет возникают:

новые продукты;

новые отрасли;

новые лекарства;

новые материалы;

новые источники энергии;

новые производственные процессы;

новые системы безопасности;

новые конкурентные преимущества государства.

Поэтому мировой лидер в R&D должен обладать не просто большим научным бюджетом.

Он должен уметь одновременно:

создавать фундаментальное знание;

концентрировать исследовательские таланты;

формировать передовую экспериментальную инфраструктуру;

проводить прикладные исследования;

переводить результат в engineering;

передавать технологию компаниям;

финансировать высокорисковые направления;

быстро прекращать бесперспективные проекты;

масштабировать breakthrough.

Главный вопрос этой части:

какая национальная система способна производить максимальное количество действительно значимых новых знаний и технологий на единицу времени, исследовательского таланта и вложенного капитала?

58.1. Почему для R&D нельзя использовать один мировой рейтинг

В отличие от Global Innovation Index, международного общепринятого интегрального рейтинга «лучших систем R&D» не существует.

Поэтому в соответствии с методологией настоящей Программы необходимо использовать систему объективных функциональных индикаторов.

Основные:

1. GERD

Gross Domestic Expenditure on R&D — совокупные внутренние расходы на исследования и разработки.

Показывает абсолютный масштаб исследовательской системы.

2. GERD / GDP

R&D intensity — расходы на R&D относительно ВВП.

Показывает, насколько значительную часть национальных ресурсов страна сознательно направляет на создание будущего знания.

3. BERD

R&D, выполняемый предпринимательским сектором.

Показывает глубину корпоративной науки.

4. Business-funded R&D

Какую часть исследований финансирует сам бизнес.

5. Researchers

Количество исследователей и их плотность относительно населения или занятости.

6. Basic / Applied / Experimental Development

Структура исследований:

фундаментальные;

прикладные;

экспериментальные разработки.

7. Scientific impact

Публикации;

highly cited papers;

international collaboration.

8. Translation

Способность переводить research в:

патент;

prototype;

technology;

product.

Таким образом R&D frontier должен измеряться не одним местом.

Он представляет собой многомерный профиль исследовательской силы.

58.2. Три лидера по интенсивности R&D

По последним сопоставимым данным OECD за 2024 год наиболее высокую долю ВВП на исследования и разработки среди стран OECD направляли:

Место по R&D intensity	Страна	GERD / GDP
1	Израиль	6,76%
2	Республика Корея	5,13%
3	Япония	3,62%
4	Швеция	3,56%
5	США	3,44%
—	OECD	2,72%

Это позволяет сформировать первую группу лидеров:

Израиль — максимальная интенсивность R&D.

Корея — массовая корпоративно-промышленная R&D-система.

Япония — масштабная высокоинтенсивная исследовательская система крупной индустриальной экономики.

Но интенсивность сама по себе не показывает абсолютный масштаб.

58.3. Два глобальных гиганта R&D

В абсолютном объеме ситуация иная.

По оценкам NSF/NCSES на 2024 год, приведенным к международно сопоставимым PPP-показателям:

Китай — около 1,028 трлн долларов;

США — около 1,009 трлн долларов.

Вместе они обеспечивают примерно 59% мирового объема R&D.

На третьей позиции среди отдельных стран находится Япония: OECD оценивает ее текущие PPP-расходы 2024 года примерно в 234 млрд долларов.

Таким образом мировой R&D frontier имеет два принципиально разных измерения:

интенсивность — Израиль и Корея;
масштаб — Китай и США.

Россия должна изучать оба.

Маленькая страна может инвестировать 7% ВВП.

Но крупная технологическая держава должна одновременно иметь:

высокую интенсивность;

огромный абсолютный объем;

тысячи исследовательских организаций;

мощный корпоративный сектор;

крупнейшую инфраструктуру.

58.4. Израиль: R&D как основной экономический ресурс страны

Израиль на протяжении длительного периода находится на мировом фронтире по доле R&D в ВВП.

Israel Innovation Authority указывает, что еще в 2023 году гражданские расходы на R&D достигали около 6,35% ВВП, причем этот показатель вырос с приблизительно 4,2% в 2014 году. OECD для 2024 года оценивает общую R&D intensity примерно в 6,76%.

Это не разовый всплеск.

Это структурная модель экономики.

58.5. Главная особенность Израиля — государство делит технологический риск

Israel Innovation Authority не пытается самостоятельно выполнять весь R&D.

Она строит систему, в которой государственный ресурс помогает частной компании брать технологический риск, который рынок считает слишком высоким.

Ключевой инструмент — R&D Fund.

Он может финансировать порядка 20–50% утвержденных R&D-расходов компании.

При этом компания возвращает поддержку через royalties только в случае успешной коммерциализации.

Это чрезвычайно интересный механизм.

Государство фактически говорит:

если технология не сработала по объективной технологической причине, риск разделен; если она стала коммерчески успешной — часть государственной поддержки возвращается.

Это не обычная субсидия.

Это risk-sharing instrument.

58.6. Израиль: государство финансирует market failure, а не заменяет рынок

Современная стратегия Israel Innovation Authority специально концентрирует государственное финансирование в областях, где private capital доступен хуже.

Например, в 2026 году около половины early-stage инвестиций Authority приходится на medical devices, advanced manufacturing и digital health, хотя их доля в частных инвестициях существенно меньше.

Это принципиальная модель.

Государство не пытается финансировать то, что рынок и так профинансирует.

Оно спрашивает:

где существует хороший технологический проект, но финансовый рынок систематически недооценивает слишком ранний риск?

И входит именно туда.

58.7. Израиль: консорциумы компаний и университетов

Applied Research Consortia объединяют:

промышленные компании;

университеты;

исследовательские центры

в совместные трехлетние проекты по разработке generic technologies, которые потенциально важны сразу нескольким компаниям.

Это решает фундаментальную проблему R&D.

Некоторые технологии слишком:

ранние;

дорогие;

горизонтальные,

чтобы одна компания финансировала их самостоятельно.

Но если исследование важно целому сектору, государство создает pre-competitive R&D consortium.

Компании затем конкурируют уже на уровне конечного продукта.

58.8. Израиль: механизм импорта знания

Инновационная система не исходит из идеи, что все знания должны быть изобретены внутри страны.

Программы commercialization accelerators позволяют:

переносить исследования из университетов в промышленность;

адаптировать технологии;

а также валидировать и импортировать результаты зарубежных исследовательских организаций для дальнейшего развития внутри израильской промышленности.

Это принцип:

национальная R&D-система должна уметь не только создавать знание, но и максимально быстро поглощать лучшее знание мира.

58.9. Израильская формула

высокая R&D intensity + предпринимательская наука + государственное разделение технологического риска + университетско-промышленные консорциумы + международная интеграция + быстрый переход к рынку.

Главный урок:

не государство должно выполнять все исследования. Государство должно сделать экономически возможным максимально большое количество высокорисковых исследований.

58.10. Республика Корея: R&D как массовая функция промышленности

Корея в 2024 году впервые превысила уровень 5% ВВП на R&D.

Совокупный объем расходов достиг примерно 131 трлн вон, или 5,13% ВВП.

Из этого около 103,3 трлн вон обеспечивалось частными и иностранными источниками.

Количество исследователей достигло более 615 тыс. человек.

По числу FTE-исследователей относительно занятого населения и общей численности населения Корея находилась на мировом фронтире.

Это принципиальное отличие.

Корея не имеет просто «большой науки».

Она имеет исследовательски насыщенную экономику.

58.11. Корпоративный сектор — центр корейской R&D-системы

По официальным данным Кореи, в 2024 году на корпоративный сектор приходилось около:

4,17% ВВП R&D,

тогда как государственный сектор — около 0,52%,

высшее образование — порядка 0,43%.

Это означает:

большая часть исследовательской мощности непосредственно встроена в экономику компаний.

R&D является для Samsung, SK, Hyundai и тысяч поставщиков не внешней научной услугой.

Это часть обычной конкурентной стратегии.

58.12. Корейская структура исследований

В 2024 году расходы Кореи распределялись приблизительно следующим образом:

14,7% — фундаментальные исследования;

19,3% — прикладные исследования;

66,0% — experimental development.

То есть огромная доля R&D уже находится близко к:

engineering;

prototype;

technology development;

production.

При этом фундаментальная наука не исчезает.

Система имеет весь pipeline.

58.13. Государственная политика Кореи остается чрезвычайно активной

Несмотря на доминирование бизнеса, государство не уходит из R&D.

Правительственный R&D budget Кореи на 2026 год утвержден примерно на уровне 35,5 трлн вон, что почти на 20% выше бюджета предыдущего года.

Приоритеты включают:

AI и physical AI;

энергетику;

quantum;

semiconductors;

стратегические технологии;

оборонный R&D;

basic research;

talent;

government-funded institutes;

regional R&D.

То есть государство концентрируется на направлениях:

где нужен долгий горизонт;

где необходима национальная инфраструктура;

где существует стратегический технологический риск.

58.14. Корейская формула

массовый корпоративный R&D + высокая плотность исследователей + государственная поддержка frontier technologies + промышленная специализация + последовательное технологическое усложнение.

Главный урок Кореи для России:

научная политика становится по-настоящему мощной, когда R&D превращается из отдельной отрасли в повседневную функцию тысяч промышленных компаний.

58.15. Япония: R&D-система крупной индустриальной экономики

Япония в 2024 году направляла на R&D около 3,62% ВВП.

Совокупный объем расходов OECD оценивает примерно в 234 млрд долларов по текущему PPP, что делает страну одним из крупнейших исследовательских центров мира.

Особенно важен японский подход к долгосрочной институциональной организации науки.

В марте 2026 года правительство утвердило Седьмой базовый план науки, технологий и инноваций на 2026–2030 годы.

Это почти идеально совпадает с пятилетним горизонтом настоящей Программы.

58.16. Шесть столпов новой японской научной системы

Седьмой план формулирует шесть основных направлений.

1. Возрождение науки как основы знания

Создание новых исследовательских областей;

глобальные научные сети;

привлекательная среда для нового поколения.

2. Стратегическая концентрация на ключевых технологиях

Ограниченный ресурс направляется на направления максимальной национальной значимости.

3. Связь науки и национальной безопасности

Research security;

защита критических технологий;

развитие security-relevant R&D.

4. Более сильная связка academia–industry–government

Новые знания должны систематически превращаться в:

новые отрасли;

продукты;

социальные решения.

5. Science diplomacy

Международная научная кооперация становится элементом внешней стратегии.

6. Governance reform

Перестройка самого механизма управления science and technology policy.

В Integrated Innovation Strategy 2026 дополнительно выделены:

AI for Science;

реформа research facilities;

реформа research funding;

реформа национальных R&D institutes;

17 ключевых технологических направлений.

58.17. Японская формула

долгосрочное пятилетнее планирование + мощный corporate R&D + стратегические технологии + сильная фундаментальная база + research infrastructure + переход науки в промышленность.

Особенно важен принцип:

научная стратегия не должна существовать отдельно от промышленной, кадровой и технологической стратегии государства.

58.18. США: мировой benchmark разделения ролей

Хотя США находятся только на пятой позиции среди приведенных стран по R&D intensity, они являются одним из двух абсолютных мировых R&D-гигантов.

В 2024 году бизнес:

выполнял около 77% американского R&D;

финансировал около 75%.

При этом федеральное правительство выполняло значительно меньшую часть исследований, но являлось крупнейшим источником финансирования basic research.

Университеты выполняли около 48% фундаментальных исследований, а бизнес — около 91% experimental development.

Это один из самых сильных организационных benchmarks.

Система специализируется.

Государство

финансирует фундаментальные, долгосрочные и национально значимые направления.

Университет

создает фундаментальное знание и ученых.

Бизнес

масштабирует прикладные исследования и development.

Рынок капитала

финансирует emerging opportunities.

Это можно назвать:

функциональным разделением труда внутри национальной R&D-системы.

58.19. США: базовая наука не отделена от технологической экономики

Американский бизнес финансирует уже около трети фундаментальных исследований страны, а федеральное финансирование распространяется:

на университеты;

национальные лаборатории;

nonprofit research;

частные компании.

В результате фундаментальная наука и бизнес не существуют как две независимые экосистемы.

Между ними работают:

grant agencies;

federal labs;

universities;

DARPA-like programmes;

venture capital;

corporate R&D.

Это создает множество маршрутов одного знания к применению.

58.20. Китай: исследовательский масштаб как национальная стратегия

Китай в 2024 году, по международно сопоставимой оценке NCSES, вышел примерно на 1,028 трлн долларов R&D и мог впервые превзойти США по общему объему.

R&D intensity Китая достигла около 2,69% ВВП, практически сравнявшись со средним OECD.

Еще десять–пятнадцать лет назад разрыв был значительно больше.

Это один из крупнейших R&D catch-up процессов в современной истории.

Предпринимательский сектор обеспечивает примерно 78% китайских расходов на исследования и разработки, а государственная политика сочетает:

налоговое стимулирование;

субсидии;

стратегические программы;

государственно-частные инструменты.

58.21. Китай уже является мировым лидером по количеству научных публикаций

В 2024 году Китай обеспечивал около 31% мирового массива научных и инженерных публикаций, США — около 12%, Индия — 7%.

При этом США сохраняют особенно сильные позиции по доле highly cited articles во многих научных областях.

Это важное различие.

Количество knowledge production

и:

влияние knowledge production

не идентичны.

Поэтому российской системе нельзя ставить цель:

«увеличить число публикаций»

без измерения:

качества;

цитируемости;

реального научного frontier.

58.22. Пять моделей, которые необходимо объединить

Страна	Главный R&D benchmark
Израиль	Максимальная R&D intensity и разделение технологического риска
Корея	Корпоративная R&D-машина и плотность исследователей
Япония	Долгосрочная государственная архитектура науки и технологий
США	Функциональное разделение basic research и development, мировой масштаб
Китай	Скорость наращивания абсолютной R&D-мощности

Россия не должна выбирать только одну модель.

Ей нужна комбинация:

израильского risk sharing + корейского corporate R&D + японского стратегического управления + американской фундаментальной исследовательской экосистемы + китайской скорости масштабирования.

58.23. Двенадцать признаков мировой R&D-системы

Сравнение лидеров позволяет выделить двенадцать системных признаков.

1. R&D intensity существенно выше среднего мирового уровня

2. Большой объем business-funded R&D

3. Сильная фундаментальная наука

4. Отдельные механизмы breakthrough research

5. Конкурентное финансирование научного excellence

6. Большая исследовательская инфраструктура

7. Высокая плотность исследователей

8. Мобильность между университетом, институтом и компанией

9. Системные university–industry consortia

10. Международная научная интеграция

11. Быстрый переход research → engineering

12. Жесткая оценка результата прикладных программ

Именно по этим параметрам необходимо диагностировать Россию.

Глава 59. Российская система финансирования и организации исследований

59.1. Россия не является малой исследовательской державой

Первый принципиальный вывод должен быть сформулирован сразу.

Российская проблема — не отсутствие крупной науки.

По последним полным данным за 2024 год внутренние расходы на исследования и разработки с учетом малого бизнеса составили около:

1,94 трлн рублей, или 0,97% ВВП.

Общая численность персонала R&D составляла около 700 тыс. человек, в том числе примерно 351 тыс. исследователей.

В международных сопоставлениях ИСИЭЗ НИУ ВШЭ оценивает российский объем R&D примерно в 64,9 млрд долларов по ППС, что соответствует порядка 9-го места в мире по абсолютному масштабу.

Следовательно:

Россия уже обладает исследовательской системой мирового масштаба, но ее интенсивность и экономическая структура значительно уступают R&D-frontier.

59.2. Главный количественный разрыв — R&D intensity

Россия:

0,97% ВВП.

Для сравнения:

Израиль — 6,76%;

Корея — 5,13%;

Япония — 3,62%;

США — 3,44%;

OECD — 2,72%.

Разрыв составляет:

с Израилем — около 5,8 процентного пункта ВВП;

с Кореей — 4,2 п.п.;

с Японией — 2,7 п.п.;

со средним OECD — около 1,8 п.п.

То есть Россия имеет большое абсолютное число исследователей, но они работают внутри экономики, которая направляет на R&D значительно меньшую долю собственного ресурса, чем мировые лидеры.

59.3. Российская наука масштабна, но недостаточно капиталоемка

Это одна из наиболее точных формулировок разрыва.

Россия имеет:

сотни тысяч исследователей;

тысячи организаций;

крупнейшие научные школы.

Но объем ресурса, приходящийся:

на исследователя;

на лабораторию;

на технологический проект

существенно ограничен общим GERD/GDP.

Отсюда возникают:

оборудовательные ограничения;

малые размеры research teams;

недостаток compute;

ограниченные бюджеты международно конкурентоспособных экспериментов.

То есть:

исследовательский человеческий масштаб России существенно больше относительного финансового масштаба российской науки.

59.4. Государство остается главным источником средств

В крупных и средних организациях в 2024 году около 65% R&D финансировалось государственными источниками, а доля предпринимательского сектора составляла около 32,2%.

По сравнению с 2023 годом доля бизнеса выросла с 30,6%, то есть тенденция положительная.

Но мировой frontier выглядит принципиально иначе.

В США бизнес финансирует около 75% R&D.

В Корее частные и иностранные источники дают почти четыре пятых исследовательских расходов.

Следовательно:

главный финансовый разрыв России — не только недостаточный общий R&D, но и недостаточная роль частного спроса на исследования.

59.5. Государственное финансирование бизнеса не равно business-funded R&D

Это особенно важное различие.

Предпринимательский сектор России действительно является крупным исполнителем R&D.

В нем работает более половины российского научного персонала.

Но 52,7% R&D самого предпринимательского сектора финансируется государством, тогда как на собственные средства бизнеса приходится около 45,8%.

Это означает:

российские компании выполняют много разработок,

но значительная часть спроса на эти разработки создается не рыночным инвестиционным решением компании, а государственным заказом или финансированием.

Это не обязательно плохо.

Оборона;

космос;

атомная отрасль;

инфраструктура

во многих странах имеют большой public R&D.

Проблема возникает, если такая модель распространяется слишком широко.

59.6. Почему business-financed R&D принципиально важен

Когда компания финансирует исследование из собственной прибыли, она вынуждена постоянно задавать вопросы:

будет ли технологическое преимущество?

есть ли рынок?

снизится ли себестоимость?

можно ли создать новый продукт?

Это создает автоматическую связь:

R&D → конкурентоспособность.

Государственная программа тоже может создавать breakthrough.

Но у нее нет такого же встроенного рыночного механизма отбора.

Поэтому сильнейшие системы сочетают:

государственное финансирование высокорисковой науки

и:

огромный частный R&D-спрос.

59.7. Российский предпринимательский сектор ориентирован на разработки

Почти 90% текущих R&D-расходов предпринимательского сектора России приходится на разработки.

Он обеспечивает около 82% всех экспериментальных разработок страны.

Это логично.

Компании должны быть ближе всего к:

product development;

engineering;

industrialization.

Но возникает следующий вопрос:

достаточно ли фундаментального и прикладного knowledge flow, который поступает в эту систему?

И насколько быстро компании получают доступ к:

университетам;

институтам;

новым научным результатам?

59.8. Российская система имеет сильное функциональное разделение, но слабее работает на стыках

Можно условно представить:

Академический и государственный сектор

фундаментальные и прикладные исследования.

Вузы

фундаментальная и прикладная наука;

подготовка кадров.

Предпринимательский сектор

разработки.

На бумаге это напоминает сильные мировые системы.

Но реальная конкурентоспособность определяется не только качеством каждого блока.

Она определяется:

скоростью перемещения знания между блоками.

Если результат фундаментальной науки через пять лет попадает в промышленный R&D, функциональное разделение существует, а innovation velocity — нет.

59.9. Высшее образование пока не является доминирующим research hub

На сектор высшего образования приходится около 10% исследовательского персонала страны.

В международном сравнении по абсолютному объему university R&D Россия находится примерно на 16-м месте.

В 2024 году университеты выполняли:

около 21,8% фундаментальных исследований страны;

29,1% прикладных исследований;

но лишь около 2% экспериментальных разработок.

Это означает:

университеты являются значимым knowledge generator,

но далеко не всегда становятся мощным узлом полного цикла:

research → prototype → spin-off → industrial collaboration.

Именно этот переход необходимо усиливать.

59.10. Фундаментальная наука нуждается в самостоятельной защите

В 2024 году из федерального финансирования гражданской науки около:

268,1 млрд рублей направлялось на фундаментальные исследования;

448,7 млрд рублей — на прикладные.

Доля фундаментального направления составляла около 37,4%.

Это важный ресурс.

Но фундаментальную науку нельзя оценивать той же системой KPI, что промышленный R&D.

Ее задача:

новое знание;

новая теория;

новый метод;

новый научный frontier.

Попытка требовать от каждого фундаментального проекта немедленного товара способна разрушить сам источник будущего technological pipeline.

Поэтому система должна принципиально разделять:

science excellence

и:

technology mission performance.

59.11. Проблема не только в количестве денег, но и в типе денег

Наука требует разных финансовых режимов.

Фундаментальному исследователю нужны:

длительный горизонт;

академическая автономия;

peer review.

Breakthrough programme нужна:

высокая толерантность к неудаче;

сильный Program Manager;

milestones.

Корпоративному R&D нужны:

налоговые стимулы;

co-financing;

market incentives.

Большой инфраструктуре нужен:

длинный CAPEX.

Если вся система финансируется одинаково, она неизбежно становится плохо оптимизированной.

59.12. Фрагментация государственного финансирования

В 2024 году около 73% федерального финансирования прикладной гражданской науки приходилось на трех крупнейших распорядителей, а оставшаяся часть была распределена между десятками других государственных структур.

Само наличие многих заказчиков не является недостатком.

Разные ведомства действительно имеют разные технологические задачи.

Проблемой становится отсутствие единого механизма, позволяющего увидеть:

какие исследования дублируются;

какая critical capability не финансируется вообще;

где несколько ведомств могут использовать одну и ту же исследовательскую инфраструктуру.

59.13. Результат R&D недостаточно рассматривается как портфель национальных capabilities

Традиционная отчетность знает:

тему исследования;

организацию;

объем средств;

публикацию;

патент.

Но государству нужен еще один уровень:

какую новую capability получила страна?

Например:

метод синтеза;

тип сенсора;

алгоритм;

материал;

класс оборудования;

биотехнологическая платформа.

Одна capability может быть полезна:

десяткам отраслей.

Если она не описана как национальный технологический актив, ее распространение значительно медленнее.

59.14. Исследовательские организации оцениваются слишком агрегированно

Организация может иметь:

сильнейшую лабораторию мирового класса;

несколько средних подразделений;

несколько слабых.

Средняя оценка организации скрывает эту неоднородность.

Мировой frontier требует финансировать не только:

«сильный университет».

Но:

сильную research team внутри него.

Основной научной единицей excellence должна все чаще становиться:

лаборатория / PI / исследовательская команда,

а не административная организация целиком.

59.15. Короткий горизонт гранта способен разрушать долгую науку

Сложные исследования могут требовать:

5;

7;

10 лет.

Если исследовательская группа постоянно должна:

подавать заявку;

ждать конкурс;

пересобирать команду,

значительная доля времени уходит не на science.

Поэтому для доказавших excellence исследовательских групп необходима возможность:

долгого базового горизонта

с периодической сильной международно сопоставимой оценкой.

59.16. Одновременно слабый проект не должен получать деньги бесконечно

Обратная проблема не менее опасна.

Многолетнее институциональное финансирование без внешней сильной оценки способно сохранять research programmes, давно потерявшие мировой frontier.

Следовательно, система должна соединять:

длинный горизонт для сильного исследования

и:

жесткую периодическую проверку научного качества.

Это не противоречие.

Это правильная архитектура.

59.17. Международная научная изоляция особенно опасна

Наука является глобальной системой.

Исследователь узнает frontier через:

articles;

conferences;

international teams;

equipment;

data;

people.

Ограничение международных научных связей может привести не только к уменьшению joint publications.

Главный риск:

исследовательская система начинает позже видеть мировой frontier.

Поэтому даже в сложной внешней среде необходимо максимально сохранять законные формы:

международного научного обмена;

совместных исследований;

scientific mobility;

access to publications and data.

59.18. Science diplomacy должна стать отдельной функцией

Япония уже включила science diplomacy в национальный базовый STI plan.

России также необходима профессиональная стратегия научного взаимодействия с:

Китаем;

Индией;

странами БРИКС;

Азией;

Ближним Востоком;

Латинской Америкой;

Африкой;

и всеми другими доступными научными партнерами.

Не просто соглашения о сотрудничестве.

А:

совместные лаборатории;

shared infrastructure;

двусторонние research funds;

mobility.

59.19. Кадровый масштаб России остается сильной стороной

В России к концу 2024 года насчитывалось около 351 тыс. исследователей, а каждый второй исследователь был младше 40 лет.

Средний возраст исследователей крупных и средних организаций составлял около 46 лет.

Таким образом тезис:

«российская наука полностью лишилась молодых кадров»

не соответствует текущим данным.

Но кадровая задача все равно огромна.

Потому что мировой benchmark — это не просто сохранение числа людей.

Это:

плотность исследователей;

качество;

международная мобильность;

доступ к инфраструктуре;

доход;

возможность построить собственную лабораторию.

59.20. Главный кадровый разрыв — исследовательская производительность среды

Один и тот же талант способен иметь радикально разную научную производительность в зависимости от того:

сколько времени занимает закупка;

есть ли оборудование;

есть ли инженер поддержки;

есть ли data;

сколько отчетности;

можно ли нанять postdoc;

доступен ли compute.

Следовательно, борьба за научные кадры не должна сводиться к:

«увеличить зарплату ученому».

Необходимо увеличивать:

Researcher Capability Multiplier — объем исследовательской мощности, доступной одному сильному ученому.

59.21. Большая доля вспомогательного персонала требует отдельного анализа

В крупных и средних российских R&D-организациях в 2024 году исследователи составляли около половины персонала, техники — около 9,5%, а вспомогательный и прочий персонал — около 40%.

Само по себе это не доказывает неэффективность.

Сложная экспериментальная наука действительно требует:

инженеров;

операторов;

лабораторного персонала.

Но государство должно различать:

research support, который умножает производительность ученого,

и:

административный overhead, который ее снижает.

Сегодня эти категории часто смешаны.

59.22. Россия уже поставила цель удвоения R&D intensity

Национальные цели предусматривают:

увеличить внутренние расходы на R&D к 2030 году минимум до 2% ВВП

и:

как минимум вдвое увеличить вложения частного бизнеса.

Одновременно Россия должна сохранить место в первой десятке мира по объему R&D.

Государственная программа научно-технологического развития устанавливает также ориентир увеличения доли внебюджетных источников примерно до 43% к 2030 году.

Это правильное направление.

Но для лидерской программы его необходимо усилить.

59.23. Почему 2% ВВП — важная, но не лидерская цель

Если Россия достигнет 2% ВВП, это будет огромным прогрессом относительно нынешних 0,97%.

Но сегодняшний OECD average уже составляет примерно 2,72%.

Япония — 3,62%.

Корея — 5,13%.

Следовательно:

2% — необходимый этап догоняющего движения, но не мировой лидерский frontier.

Пятилетняя Программа глобального лидерства должна одновременно:

гарантированно пройти 2%;

и:

построить институциональную систему, способную двигаться к 3% и выше без неэффективного механического увеличения расходов.

59.24. Нельзя просто удвоить существующую систему

Это один из центральных выводов.

Если просто увеличить финансирование в два раза, сохранив:

ту же структуру;

те же стимулы;

те же сроки;

те же механизмы отбора,

Россия может получить:

в два раза более дорогую версию сегодняшней системы.

Поэтому масштабирование денег должно идти после или одновременно с масштабированием качества институтов.

59.25. Российские сильные стороны

Россия имеет существенную исходную базу:

Большой абсолютный R&D-комплекс

Порядка девятого места по международным сопоставлениям затрат.

Сотни тысяч исследователей

Сильные технические и естественно-научные школы

Более половины исследователей крупных и средних организаций работают в технических науках, еще около четверти — в естественных.

Большой государственный научный заказ

Крупные высокотехнологичные корпорации

Уникальные компетенции

атом;

космос;

математика;

физика;

материаловедение;

IT;

отдельные области химии и биологии.

Большой внутренний рынок

Энергетическая и вычислительная база, которую можно значительно расширить

То есть Россия имеет достаточно компонентов для создания R&D-системы мирового класса.

59.26. Карта главных разрывов

Измерение	Россия	Мировой frontier
R&D intensity	0,97% ВВП	Израиль 6,76%; Корея 5,13%
Абсолютный R&D	~9-е место	Китай / США >$1 трлн PPP
Частное финансирование	~32% крупного и среднего сектора	США ~75%; Корея ~79% private/foreign
Research workforce	очень большой	Корея — значительно выше по плотности
Business R&D	крупный performer, сильная зависимость от государства	primarily business-driven
University R&D	значимый, но ограниченный масштаб	мощные research universities
Funding architecture	большое число программ и заказчиков	differentiated instruments by R&D type
International integration	ограничена внешней средой	global scientific networks
R&D → capability accounting	фрагментарно	системная translation architecture
Research infrastructure	крупная, но неоднородная	shared frontier facilities

59.27. Центральный диагноз

Российский R&D gap нельзя описать формулой:

«в России мало науки».

И даже:

«в России мало ученых».

Более точная формулировка:

Россия обладает крупной исследовательской системой, но она недостаточно капиталоемка, недостаточно финансируется конкурентным спросом бизнеса и недостаточно быстро соединяет фундаментальный research, прикладное исследование, experimental development и промышленный результат в единую систему.

Главный объект реформы:

не отдельный институт;

не отдельный грант;

не отдельный ученый.

Им становится:

полный национальный цикл производства нового знания.

Глава 60. Субпрограмма-минимум

Цель программы-минимум:

за пять лет построить в России функциональную архитектуру R&D-системы на уровне сегодняшних мировых лидеров, увеличив масштаб исследований, роль бизнеса, качество научного отбора, доступность frontier infrastructure и скорость передачи знания между фундаментальной наукой, прикладными исследованиями и промышленностью.

При этом необходимо избежать двух ошибок.

Ошибка первая

Сводить реформу к:

«дать больше денег на науку».

Ошибка вторая

Пытаться превратить всю фундаментальную науку в прикладную.

Правильная система должна одновременно:

защищать свободный поиск нового знания

и:

жестко управлять прикладными Technology Missions.

Предлагается 24 стратегические меры.

60.1. GLR-RD-MIN-01. Создать Национальную панель R&D-лидерства

Она должна объединить:

GERD;

GERD/GDP;

BERD;

business-financed R&D;

researchers FTE;

researchers per million;

basic research;

applied research;

experimental development;

highly cited publications;

international collaboration;

R&D infrastructure utilization.

Для каждого

Россия;

top-3;

top-10;

gap;

trajectory;

ответственный.

KPI

Полная панель начинает работать в первый год.

60.2. GLR-RD-MIN-02. Перейти от одной цели 2% ВВП к траектории R&D Frontier

Национальная цель 2% ВВП к 2030 году сохраняется как обязательный минимум.

Но лидерская программа устанавливает следующий горизонт:

2% — нижняя обязательная точка;
2,5–3% — пятилетний лидерский диапазон при наличии достаточного числа качественных проектов.

Рост нельзя осуществлять административным расходованием средств ради показателя.

Каждый дополнительный 0,1% ВВП

должен иметь заранее определенный портфель:

research excellence;

corporate R&D;

infrastructure;

technology missions.

60.3. GLR-RD-MIN-03. Довести долю business-funded R&D минимум до 50%

Сегодня российский бизнес финансирует существенно меньшую долю R&D, чем лидеры.

Пятилетняя цель

Не менее:

50% внутренних R&D расходов финансируется предпринимательским сектором и другими внебюджетными источниками,

с дальнейшим движением к структуре Кореи и США.

Это сильнее уже установленной цели 43% внебюджетного финансирования к 2030 году.

Главное условие

Не считать бизнес-финансированием государственные деньги, которые просто проходят через компанию.

60.4. GLR-RD-MIN-04. Ввести Incremental R&D Tax Credit

Компания получает усиленный налоговый стимул на дополнительный R&D относительно собственного baseline.

Почему incremental

Если предприятие ежегодно и так тратит 10 млрд рублей на R&D, государству нецелесообразно полностью субсидировать эти 10 млрд.

Стимул должен особенно вознаграждать:

10 → 12;

12 → 15.

KPI

Private R&D Additionality:

сколько дополнительных частных рублей R&D вызвал один рубль налоговой поддержки.

60.5. GLR-RD-MIN-05. Перевести поддержку корпоративного R&D на модель risk sharing

Функциональный benchmark — Israel Innovation Authority.

Для высокорискового проекта

государство софинансирует определенную долю R&D.

Если технология коммерчески успешна

часть поддержки возвращается:

через royalties;

или иной заранее установленный механизм.

Если технологический риск объективно реализовался

проект не превращается автоматически в государственный долг компании.

Цель

увеличить число технологических рисков, которые российский бизнес готов принимать.

60.6. GLR-RD-MIN-06. Создать R&D Contracts for National Champions

Для 100–200 крупнейших технологических компаний заключаются пятилетние соглашения.

Компания обязуется

увеличить собственный R&D;

создать новые исследовательские команды;

работать с университетами;

создать измеримые технологии.

Государство предоставляет

налоговый режим;

co-financing;

research infrastructure;

подготовку кадров.

KPI

Не объем государственной поддержки.

А:

additional business R&D + created capabilities.

60.7. GLR-RD-MIN-07. Создать программу R&D Mittelstand 5000

Корпоративная наука не должна принадлежать только крупнейшим корпорациям.

Выбираются до 5000 средних технологических компаний, способных создать собственную устойчивую R&D-функцию.

Поддержка

research engineer;

R&D laboratory;

university contract;

shared infrastructure;

налоговый credit.

Цель

Через пять лет собственный системный R&D должен стать нормой российского технологического Mittelstand.

60.8. GLR-RD-MIN-08. Разделить финансирование науки на три принципиально разных режима

Контур A — Fundamental Frontier

Цель:

новое знание.

Инструмент:

long-term peer-reviewed funding.

Контур B — Translational Research

Цель:

подтвержденная technology capability.

Инструмент:

milestones;

industry participation;

pilot.

Контур C — Technology Mission

Цель:

конкретная стратегическая система или продукт.

Инструмент:

Program Manager;

portfolio;

stage gates.

Запрещается

оценивать все три режима одним KPI.

60.9. GLR-RD-MIN-09. Создать Excellence Grants на 7 лет

Для исследовательских групп, доказавших мировой уровень, создается семилетний грант.

Отбор

международно сопоставимый peer review;

научная значимость;

research team;

trajectory.

После получения

минимум мелкой ежегодной бюрократии.

Через 3–4 года

сильная mid-term scientific review.

Итог

либо продление;

либо завершение.

Цель

Сильный ученый должен планировать науку, а не следующий конкурс каждые двенадцать месяцев.

60.10. GLR-RD-MIN-10. Создать 100 Frontier Research Laboratories

Формируются примерно 100 лабораторий, конкурирующих с мировыми лидерами в выбранных научных направлениях.

Каждая получает

7–10-летний горизонт;

frontier equipment;

international recruitment budget;

postdoc positions;

compute;

сильного PI.

KPI

Не публикационный объем.

А:

top-decile/highly cited research;

scientific breakthroughs;

world-frontier position.

60.11. GLR-RD-MIN-11. Создать National PI Track

Сильный молодой исследователь должен получить возможность стать независимым Principal Investigator не после десятилетий административной карьеры.

Через конкурс

35–40-летний или более молодой сильный ученый может получить:

команду;

бюджет;

лабораторию;

право набора людей.

KPI

Не возраст как таковой.

А:

скорость получения научной самостоятельности выдающимся researcher.

60.12. GLR-RD-MIN-12. Создать Российскую систему Program Managers для breakthrough R&D

Для Technology Missions вводится архитектура:

конкретная challenge;

персональный Program Manager;

3–10 конкурирующих подходов;

milestones;

право stop/scale.

Program Manager

назначается на ограниченный срок:

3–5 лет.

KPI

Достижение технологического состояния.

Не:

количество отчетов.

60.13. GLR-RD-MIN-13. Ввести обязательный Heilmeier-type test для крупных прикладных программ

Каждый проект выше установленного threshold должен простым языком ответить:

что делаем?

почему существующий подход недостаточен?

в чем breakthrough?

кому нужен результат?

каков главный scientific risk?

каков срок?

сколько стоит?

каков milestone?

что считается победой?

Цель

Удалить из R&D портфеля проекты, для которых невозможно даже сформулировать измеримое изменение технологического состояния.

60.14. GLR-RD-MIN-14. Создать National R&D Portfolio Map

Все крупные государственные исследования наносятся на единую карту.

Она показывает

scientific field;

technology;

TRL;

funding;

executor;

expected capability;

связанные проекты.

AI выявляет

дублирование;

белые пятна;

перекрывающуюся infrastructure;

нефинансируемые critical capabilities.

Государство впервые видит R&D не как тысячи бюджетных строк, а как единый технологический портфель страны.

60.15. GLR-RD-MIN-15. Ввести Capability as the Output для прикладного R&D

Каждая прикладная программа должна указывать:

какую capability страна приобретет?

Например:

технологию получения материала;

метод диагностики;

новый класс двигателя;

модель;

sensor technology.

Помимо публикаций и патентов

фиксируются:

performance benchmark;

reproducibility;

technology readiness;

potential users.

Результат

R&D становится связующим слоем между:

наукой

и:

экономической сложностью.

60.16. GLR-RD-MIN-16. Создать сеть Shared Frontier Facilities

Россия должна перейти от модели:

каждая организация стремится иметь собственное оборудование

к:

дорогая capability максимально доступна лучшим исследователям страны.

Создается федеральный каталог:

microscopy;

synchrotron facilities;

clean rooms;

genomics;

bioreactors;

supercomputing;

materials characterization;

robotic labs.

Для каждого

online availability;

queue;

стоимость;

SLA.

KPI

Utilization Rate и Scientific Output per Equipment Ruble.

60.17. GLR-RD-MIN-17. Ввести Equipment-as-a-Service для науки

Исследователь покупает:

не microscope,

а:

измерение.

Не supercomputer,

а:

compute-hour.

Государственные гранты

по умолчанию должны позволять оплачивать shared capability.

Это снижает потребность тысяч лабораторий в дублирующемся CAPEX.

60.18. GLR-RD-MIN-18. Создать Research Procurement Fast Track

Стандартная научная закупка не должна идти столько же, сколько сложный инфраструктурный контракт.

Для сертифицированных research goods

вводятся:

framework agreements;

электронные каталоги;

предквалифицированные поставщики;

ускоренный import/legal route там, где он разрешен.

Новый KPI

Experiment Waiting for Procurement Time.

Цель:

сократить минимум вдвое.

60.19. GLR-RD-MIN-19. Создать Scientific Compute Guarantee

Любая квалифицированная frontier research team должна получать доступ к необходимому:

HPC;

AI accelerators;

scientific cloud

в заранее установленный срок.

Для крупного computational project

ресурс выделяется по scientific merit.

Цель

Compute не должен становиться причиной, по которой российский исследователь проверяет гипотезу на полгода позже международного конкурента.

60.20. GLR-RD-MIN-20. Создать 50 крупных University–Industry R&D Consortia

Функциональный benchmark — израильские Applied Research Consortia.

Каждое объединяет

несколько компаний;

2–5 университетов и научных центров;

shared infrastructure.

Финансируется

pre-competitive technology.

Например:

new battery chemistry;

robot vision;

photonics;

advanced catalysts;

industrial AI.

IP architecture

согласовывается до начала исследования.

Компании затем конкурируют в конечных продуктах.

60.21. GLR-RD-MIN-21. Создать National Research Mobility Market

Исследователь должен иметь возможность переходить на время:

university → company;

company → university;

research institute → startup;

без разрушения:

карьеры;

стажа;

гранта.

Инструменты

industrial sabbatical;

joint appointment;

dual affiliation;

Industrial PhD.

KPI

Доля researchers с cross-sector research experience.

60.22. GLR-RD-MIN-22. Создать программу Global Science Russia

Цель — обеспечить максимально широкую законную интеграцию российской науки в мировые сети.

Инструменты

joint calls;

shared labs;

researcher mobility;

visiting scientists;

joint PhD;

доступ к иностранной infrastructure;

международные data projects.

Приоритет

страны, с которыми существует реальная возможность долгосрочной научной кооперации.

KPI

International Research Network Density.

Не только число соглашений.

60.23. GLR-RD-MIN-23. Создать Researcher Capability Multiplier

Для каждой research organization измеряется:

какой ресурс реально доступен одному исследователю?

Учитывается

equipment;

technicians;

compute;

data;

procurement time;

administrative workload.

Цель

Увеличить реальную производительность researcher не требованием:

«опубликовать больше»,

а:

созданием более сильной исследовательской среды.

60.24. GLR-RD-MIN-24. Ввести R&D Stage-Gate и систематическое прекращение слабых прикладных программ

Для прикладного и mission-oriented R&D каждые 12–24 месяца проводится независимая оценка.

Решения

scale;

continue;

redesign;

stop.

Освободившийся ресурс

не исчезает из науки.

Он направляется:

в более сильные программы.

Принцип

долгий горизонт исследования не означает бессрочное финансирование слабого проекта.

60.25. Архитектура 24 мер

Контур	Мероприятия	Результат
Измерение и масштаб	01–03	Россия достигает устойчивой R&D intensity
Business R&D	04–07	Наука становится функцией экономики
Разные режимы науки	08–13	Каждый тип R&D получает правильный инструмент
Portfolio governance	14–15	Государство видит capabilities, а не только проекты
Infrastructure	16–19	Исследователь получает frontier equipment быстрее
Knowledge transfer	20–21	Ускоряется движение знания между секторами
Global science	22	Россия включена в доступные мировые сети
Research productivity	23	Усиливается каждый researcher
Discipline	24	Слабый прикладной R&D не становится вечным

60.26. Пять главных KPI программы

Из десятков показателей особенно важны пять.

1. GERD / GDP

Сколько национального ресурса направляется в создание нового знания?

2. Business-Funded R&D Share

Насколько экономика сама требует нового знания?

3. Researcher Capability Multiplier

Сколько исследовательской мощности получает один ученый?

4. Research-to-Capability Conversion

Какой процент прикладных исследований превращается в подтвержденную capability?

5. Time to Validated Research Result

Насколько быстро система способна проверить значимую научную гипотезу?

60.27. Целевой пятилетний R&D-профиль

Показатель	Исходная позиция	Пятилетний ориентир
GERD / GDP	~0,97%	2,5–3,0% при достаточном качестве проектов
Минимальный официальный рубеж	—	≥2% к 2030 г.
Абсолютный R&D	~9-е место	top-5 trajectory
Business-funded R&D	~32% крупного/среднего контура	≥50%
Research workforce	один из крупнейших в мире	рост плотности и качества
Frontier Research Labs	фрагментарно	100
Long-term Excellence Grants	ограниченно	системный стандарт
Technology Missions	отдельные программы	10–15 постоянных portfolios
University–Industry R&D Consortia	неоднородно	≥50 крупных
Shared Frontier Facilities	фрагментировано	единая национальная сеть
Procurement Waiting Time	—	−50% и более
Scientific compute accessibility	—	гарантированный SLA
Applied R&D с stage-gate	—	≈100% крупных программ
Capability accounting	—	≈100% прикладных программ

Главное ограничение:

достижение 2,5–3% ВВП не должно осуществляться за счет финансирования низкокачественных исследований ради выполнения бухгалтерского KPI.

Сначала должен существовать качественный портфель.

Затем ресурс.

60.28. Почему абсолютный top-5 важнее одной доли ВВП

Израиль способен тратить почти 7% ВВП, потому что его экономика относительно небольшая и крайне специализирована на high-tech.

Для России такой показатель не обязательно является оптимальным.

У крупной экономики главный стратегический вопрос:

какой абсолютный объем мирового research frontier страна способна поддерживать одновременно?

Необходимо финансировать:

математику;

физику;

химию;

биологию;

medicine;

AI;

energy;

space;

materials;

engineering.

Поэтому российская система должна одновременно:

повысить intensity

и:

войти в верхнюю группу мира по абсолютному масштабу R&D.

60.29. Почему 3% не должны становиться новым фетишем

Можно потратить 3% ВВП плохо.

Можно 2,5% — значительно лучше.

Поэтому каждый дополнительный рубль должен оцениваться через:

scientific excellence;

capability;

private co-financing;

technology transition.

Новый показатель

Frontier Research Output per R&D Ruble.

Для фундаментального science —

scientific impact.

Для прикладного —

technology capability.

Для development —

working product/system.

60.30. Сколько должна финансировать государственная система

Нет правильной универсальной цифры.

Израиль и Корея отличаются.

США имеют собственную модель.

Но существует общий принцип:

Государство особенно важно там, где

горизонт очень длинный;

общественная отдача велика;

частный доход сложно присвоить;

технологический риск чрезвычайно высок;

необходима национальная инфраструктура.

Бизнес особенно эффективен там, где

существует понятная коммерческая возможность;

R&D связан с продуктом;

можно присвоить значительную долю результата.

Поэтому цель:

не:

«государство должно уйти из науки».

А:

«частный капитал должен войти туда, где сегодня государство финансирует исследования вместо бизнеса без объективной необходимости».

60.31. Государство должно быть крупнейшим заказчиком frontier, но не единственным инвестором

Государство сохраняет ведущую роль:

в basic science;

defense;

space;

nuclear;

public health;

large infrastructure.

Но тысячи гражданских технологий должны развиваться под спрос:

компаний;

инвесторов;

потребителей.

Это позволит государству концентрировать свой ресурс там, где его действительно невозможно заменить.

60.32. Новая модель фундаментальной науки

Фундаментальная наука получает:

длинный горизонт;

сильный peer review;

research autonomy;

frontier infrastructure;

международное взаимодействие.

Главные KPI

scientific novelty;

highly cited work;

international frontier leadership;

новые research directions.

Необязательные KPI

startup;

immediate revenue.

Фундаментальная наука должна иметь право не знать заранее, какой продукт появится из исследования.

Именно в этом ее функция.

60.33. Новая модель прикладной науки

Здесь логика иная.

Есть:

problem;

potential user;

technical benchmark.

Результат

proof;

prototype;

capability.

Если через пять лет прикладной проект продолжает отвечать:

«мы исследуем вопрос»,

необходимо проверить правильность его конструкции.

60.34. Новая модель experimental development

Здесь уже должны существовать:

specification;

cost;

reliability;

production;

pilot;

customer.

Основной вопрос

работает ли технология лучше существующего решения и может ли она быть серийно воспроизведена?

Именно поэтому большая часть корпоративного R&D лидирующих стран находится в development.

60.35. Новый национальный объект — исследовательская команда

Российская система традиционно мыслит:

институтом;

университетом;

предприятием.

Но breakthrough создают:

люди;

команды;

лаборатории.

Следовательно, ресурс должен быть способен следовать за сильным PI.

Если ведущий ученый переходит:

из одного университета в другой;

создает новую лабораторию,

не должно автоматически исчезать все финансирование его research programme.

60.36. Исследовательская мобильность должна перестать быть потерей для организации

Сегодня руководитель может воспринимать уход researcher в компанию как:

потерю кадра.

Но для национальной системы это может быть transfer knowledge.

Так же сотрудник компании может на время перейти в university research.

Поэтому государство должно считать:

не:

сколько ученых организация удержала внутри стен,

а:

сколько знания циркулирует внутри национальной исследовательской системы.

60.37. Новая модель научного оборудования

Большая установка стоимостью миллиарды рублей не должна принадлежать фактически одной административной группе.

Она должна работать как национальная инфраструктурная платформа.

Лучший проект получает доступ независимо от институциональной принадлежности.

Для каждого объекта

измеряются:

utilization;

downtime;

external users;

research outputs.

Это способ кратно повысить return on scientific CAPEX.

60.38. R&D infrastructure должна работать дольше обычного рабочего дня

Дорогое scientific equipment не должно быть недозагружено из-за организационного расписания.

При наличии спроса:

robotic labs;

compute;

some analytical equipment

должны работать:

24/7.

Новый KPI

Scientific Capital Utilization Rate.

Каждый час простоя дорогой инфраструктуры — потерянная научная возможность.

60.39. Научная бюрократия должна измеряться потерянным research time

Необходимо ежегодно спрашивать исследователя:

сколько часов ушло на:

forms;

procurement;

reporting;

administrative coordination.

Создается показатель

Research Administrative Time.

Пятилетний target:

сократить минимум вдвое.

Не отменяя:

финансовый контроль;

research ethics;

security.

Но убирая:

повторное;

неинформативное;

не создающее контроля действие.

60.40. Один грант — один цифровой research record

Research team не должна загружать одни и те же:

CV;

publication list;

organization details;

equipment data

в каждую новую систему.

Принцип

Research Once Only.

Создается единый researcher / project profile.

Грантодатель получает разрешенный набор данных автоматически.

60.41. Международный научный benchmark должен происходить в реальном времени

Каждая крупная Russian Technology Mission ежегодно отвечает:

кто мировой лидер?

каков мировой performance benchmark?

какие breakthroughs произошли?

какой текущий российский gap?

Если мировой frontier изменился

mission должна измениться.

Необходимо запретить ситуацию, когда пятилетняя R&D programme пять лет выполняет ТЗ, которое технологически устарело на второй год.

60.42. R&D programme должна иметь право менять маршрут

Цель стабильна.

Scientific hypothesis может оказаться неверной.

Тогда правильное решение:

не:

выполнить ошибочный план ради отчетности.

А:

изменить маршрут к цели.

Именно поэтому Program Manager и stage-gate architecture критичны.

60.43. Неудача должна быть допустима

Настоящий R&D по определению имеет риск.

Если 100% исследовательских проектов успешно выполняются именно так, как было обещано заранее, возможны две причины:

либо страна стала абсолютно уникальной;

либо финансируются проекты с недостаточным исследовательским риском.

Поэтому

подтвержденная научная неудача допустима.

Недопустимы:

плохой эксперимент;

скрытие отрицательного результата;

бесконечное финансирование опровергнутой гипотезы.

60.44. Пятилетняя последовательность реализации

Год 1. Увидеть всю R&D-систему

Создаются:

National R&D Leadership Dashboard;

National R&D Portfolio Map;

Capability Registry;

Research Administrative Time baseline;

Shared Infrastructure Catalogue.

Все крупные государственные R&D programmes классифицируются:

Fundamental;

Translational;

Mission.

Год 2. Перестроить финансирование

Запускаются:

Incremental R&D Tax Credit;

R&D Risk Sharing;

R&D Champions Contracts;

R&D Mittelstand 5000;

Excellence Grants;

PI Track.

Business-funded R&D начинает расти быстрее public R&D.

Год 3. Создать новую инфраструктуру взаимодействия

Разворачиваются:

Shared Frontier Facilities;

Research Equipment-as-a-Service;

Scientific Compute Guarantee;

50 University–Industry Consortia;

Research Mobility Market.

Applied R&D начинает учитываться через capabilities.

Год 4. Концентрация на frontier

100 лабораторий мирового уровня получают полноценный долгий ресурс.

Technology Missions работают по Program Manager model.

Слабые программы закрываются.

Сильные масштабируются.

Global Science Russia формирует новые международные research networks.

Год 5. R&D-система мирового класса

Россия должна иметь систему, где:

сильный researcher быстро получает ресурс;

лучшее оборудование доступно независимо от организации;

бизнес массово финансирует собственный R&D;

университет и компания создают общие технологии;

фундаментальная наука защищена длинным горизонтом;

прикладная — жесткими milestones;

государство видит портфель создаваемых capabilities;

слабая программа прекращается без институциональной катастрофы.

60.45. Что Россия должна взять у мировых лидеров

От Израиля:

risk sharing;

государственное финансирование market failure;

research-industry consortia;

механизмы transfer/import of knowledge.

От Кореи:

R&D intensity;

массовый корпоративный R&D;

researcher density;

соединение науки с manufacturing.

От Японии:

пятилетнее системное управление;

Science Revival;

AI for Science;

strategic technology portfolios;

research governance.

От США:

сильный federal basic science;

research universities;

функциональное разделение ролей;

Program Manager model;

огромный corporate R&D.

От Китая:

скорость масштабирования;

рост business R&D;

крупную инфраструктурную мобилизацию.

Российская формула:

**сильная фундаментальная школа России

• израильская готовность делить технологический риск
• корейская плотность корпоративного R&D
• американская архитектура фундаментальных исследований
• японское стратегическое управление
• китайская скорость масштабирования.**

60.46. Минимальный лидерский фронтир

В конце пятилетней программы типичный сильный российский исследователь должен видеть принципиально другую систему.

У него есть:

длинный research horizon.

Он тратит минимум времени на административную рутину.

Ему доступно frontier equipment.

Если установка находится в другом городе — он покупает scientific capability как сервис.

Если нужен compute — ресурс выделяется по SLA.

Если исследование фундаментальное — его оценивают по science.

Если прикладное — существует industry partner и понятный technology transition.

Если идея breakthrough — Program Manager может быстро профинансировать конкурирующие гипотезы.

Если гипотеза не сработала — отрицательный результат фиксируется.

Если сработала — следующий этап финансируется быстро.

Компания видит исследовательскую систему не как внешний академический мир.

Она может:

заказать исследование;

создать консорциум;

нанять researcher;

временно направить собственного инженера в университет.

Государство видит:

не десятки тысяч не связанных тем,

а:

единую карту знаний, проектов, infrastructure и emerging capabilities России.

60.47. Конечная формула субпрограммы-минимум

Российская R&D-система уже обладает:

масштабом;

учеными;

организациями;

исторически сильными школами.

Ее главный пятилетний вызов:

увеличить не только объем науки, но мощность каждого рубля и каждого исследовательского часа.

Поэтому реформа должна одновременно:

увеличить R&D intensity;

увеличить business-funded R&D;

дать сильному ученому долгий горизонт;

дать исследователю frontier equipment;

ускорить движение знания между организациями;

создать жесткую discipline прикладного R&D;

сохранить свободу фундаментального research.

Главный принцип можно сформулировать так:

фундаментальной науке — максимум пространства для поиска.
Прикладной науке — максимум связи с задачей.
Разработке — максимум скорости до работающей технологии.

Тогда Россия сможет перейти:

от:

крупной исследовательской системы

к:

одной из наиболее мощных, капитализированных и продуктивных R&D-систем мира.

И уже после достижения этого уровня программа-максимум должна поставить более радикальную задачу:

можно ли построить R&D-систему следующего поколения, где AI непрерывно читает весь мировой научный поток, автономные лаборатории проводят миллионы экспериментов, цифровые научные двойники моделируют гипотезы до физического опыта, а один российский ученый получает исследовательскую мощность, которую сегодня обеспечивает целая лаборатория?

Это будет переход:

от мировой системы R&D

к:

сверхскоростной AI-автономной системе производства нового знания.

****************

Глава 61. Субпрограмма-максимум: исследовательская система сверхбыстрого технологического цикла

Программа-минимум должна создать в России R&D-систему нынешнего мирового уровня:

увеличить расходы на исследования;

резко нарастить business R&D;

дать сильному исследователю длинный горизонт финансирования;

обеспечить доступ к современному оборудованию;

создать университетско-промышленные консорциумы;

разделить фундаментальную науку, прикладные исследования и технологические миссии;

ввести полноценное управление портфелем исследований.

Но программа-максимум должна поставить значительно более радикальный вопрос:

можно ли изменить саму технологию производства научного знания?

Сегодня даже лучшая лаборатория во многом работает по схеме, существующей десятилетиями:

исследователь изучает литературу;

формулирует гипотезу;

планирует эксперимент;

заказывает материалы;

ожидает оборудование;

проводит опыт;

обрабатывает данные;

интерпретирует результат;

формулирует следующую гипотезу;

повторяет цикл.

Главным ограничителем становится уже не только:

объем финансирования;

число ученых;

качество оборудования.

Им становится:

скорость одного полного цикла научного познания.

Если одна исследовательская система способна выполнить за год:

100 качественных циклов

гипотеза → эксперимент → результат → новая гипотеза,

а другая — 10,

то даже при сопоставимом уровне отдельных ученых первая получает огромное накопительное преимущество.

Следовательно, максимальный R&D-frontier России должен состоять в создании:

национальной исследовательской системы, способной проводить больше качественных циклов научного поиска на единицу человеческого времени, оборудования и капитала, чем любая существующая система мира.

61.1. Главный объект программы — Research Cycle Time

Предлагается ввести центральный показатель:

Research Cycle Time — RCT.

Он измеряет время:

гипотеза → модель → эксперимент → данные → анализ → вывод → следующая гипотеза.

Но одного среднего времени недостаточно.

Цикл необходимо разложить.

Hypothesis Time

Сколько времени занимает переход от научного вопроса к проверяемой гипотезе?

Simulation Time

Сколько требуется для предварительного вычислительного исследования?

Experiment Preparation Time

Сколько времени проходит до фактического начала эксперимента?

Experiment Time

Физически необходимое время.

Analysis Time

Сколько требуется для обработки данных?

Interpretation Time

Сколько требуется для формирования вывода?

Iteration Time

Сколько проходит от результата до следующего эксперимента?

Главная задача программы:

не сокращать время, которое объективно необходимо природе, а почти полностью убрать время, которое исследование теряет из-за информационной, вычислительной, организационной и инфраструктурной неэффективности.

61.2. Новый мировой frontier уже формируется

В 2026 году эта модель перестала быть футурологией.

Министерство энергетики США развивает Genesis Mission — национальную AI-for-science инициативу, которая должна объединить суперкомпьютеры, экспериментальные установки, научные данные и AI в единую исследовательскую платформу. Ее заявленная цель — удвоить производительность и влияние американских R&D в течение десятилетия.

В рамках той же программы отдельно выделена задача AI-Driven Autonomous Laboratories: AI интегрируется непосредственно в экспериментальный цикл вместе с роботами, edge computing, real-time analysis, генерацией гипотез и интеллектуальной обратной связью.

Berkeley Lab уже показывает физическую реализуемость этой модели. Его A-Lab способен обрабатывать примерно в 50–100 раз больше образцов в день, чем человек, работает 24/7 и строит closed-loop процесс, в котором AI выбирает следующий эксперимент на основе результатов предыдущего.

Oak Ridge National Laboratory в 2026 году сообщала уже более чем о десятке self-driving laboratories, а отдельные эксперименты позволяют AI в реальном времени самостоятельно выбирать дальнейшие точки измерения.

Япония в Integrated Innovation Strategy 2026 сделала AI for Science, реформу исследовательской инфраструктуры, research funding и национальных R&D institutes отдельными направлениями государственной STI-политики.

Следовательно, появляется новый технологический frontier науки:

AI + scientific data + supercomputing + robotics + autonomous experimentation + human scientific judgment.

Но мировой frontier пока существует преимущественно:

в отдельных лабораториях;

национальных лабораториях;

программах;

экспериментальных установках.

Россия может поставить более сильную задачу:

создать не несколько автономных лабораторий, а национальную распределенную систему сверхбыстрого научного цикла.

61.3. От AI for Science — к Autonomous Science Infrastructure

AI for Science в узком смысле означает:

использовать AI для решения научной задачи.

Максимальная программа должна идти дальше.

Нужно изменить всю инфраструктуру исследования.

Не только AI анализирует статью.

Но:

литература машиночитаема;

данные структурированы;

инструмент имеет API;

experiment автоматически документируется;

simulation соединена с physical experiment;

robot выполняет следующий опыт;

AI обновляет гипотезу;

researcher контролирует логику;

результат сразу становится доступен следующей стадии.

Возникает:

Autonomous Science Infrastructure — инфраструктура, в которой стандартная часть научного цикла способна выполняться практически непрерывно.

61.4. Центральный мегапроект — ИИ-АСУ «Наука России»

Предлагается создать в составе ИИ-АСУ «Россия»:

ИИ-АСУ «Наука России» — национальную интеллектуальную систему ускорения научного исследования.

Она не должна:

определять научную истину;

заменять peer review;

централизованно выбирать все исследовательские гипотезы;

указывать ученому, что он обязан исследовать.

Ее функция другая:

максимально увеличить исследовательскую мощность каждого ученого и каждой научной установки.

Система соединяет:

научную литературу;

патенты;

research datasets;

модели;

HPC;

лабораторное оборудование;

роботизированные лаборатории;

экспериментальные установки;

исследовательские команды.

Ученый формулирует проблему.

Система помогает:

найти известное;

выявить пробел;

рассчитать варианты;

спроектировать эксперимент;

получить оборудование;

обработать данные;

проверить воспроизводимость.

61.5. GLR-RD-MAX-01. Создать Russian Scientific Knowledge Graph

Все доступные научные знания связываются в единую машинно анализируемую систему.

Граф объединяет

публикации;

авторов;

методы;

материалы;

патенты;

datasets;

эксперименты;

оборудование;

research projects.

AI должен отвечать

кто уже решал аналогичную проблему?

какой метод дал лучший результат?

где существуют противоречащие друг другу результаты?

какая гипотеза еще недостаточно проверена?

Результат

Научный поиск переходит:

от:

«найти несколько статей»

к:

«увидеть структуру всего существующего знания вокруг проблемы».

61.6. GLR-RD-MAX-02. Создать National Scientific Data Space

Публично финансируемые исследования должны по умолчанию создавать:

структурированные;

документированные;

машиночитаемые

данные в пределах, совместимых с:

законом;

IP;

commercial secrecy;

research security;

персональными данными.

Япония уже связывает AI for Science с системной политикой управления и использования publicly funded research data.

Принцип

научный результат должен быть пригоден не только для чтения человеком, но и для дальнейшей обработки машиной.

61.7. GLR-RD-MAX-03. Ввести Scientific Data Passport

Каждый значимый dataset получает:

источник;

метод получения;

оборудование;

условия;

единицы;

версию;

качество;

uncertainty;

rights.

Без этого

AI способен быстро анализировать плохие данные.

С этим

dataset становится полноценным научным активом.

61.8. GLR-RD-MAX-04. Создать National Scientific Foundation Models

Общего языкового AI недостаточно для frontier science.

Необходимы специализированные модели:

materials;

chemistry;

biology;

medicine;

physics;

engineering;

earth sciences;

mathematics.

США в августе 2026 года уже запустили в рамках Genesis Mission инициативу open-weight foundation models специально для scientific discovery.

Российские модели должны уметь работать с

текстом;

уравнениями;

спектрами;

изображениями;

структурами;

временными рядами;

simulation data;

experimental data.

61.9. GLR-RD-MAX-05. Создать персонального Scientific AI Copilot для исследователя

Каждый квалифицированный исследователь получает защищенный научный AI.

Он помогает

строить literature map;

проверять derivation;

писать code;

анализировать данные;

сравнивать hypotheses;

находить methodological gaps;

готовить experiment plan.

Но

AI не становится авторитетом истины.

Исследователь обязан понимать:

источник;

uncertainty;

логику.

Принцип

AI увеличивает научную мощность исследователя, но не переносит научную ответственность с человека на модель.

61.10. GLR-RD-MAX-06. Создать Multi-Agent Scientific Teams

Для сложной проблемы один AI-agent играет роль:

literature analyst;

другой:

methodologist;

третий:

statistician;

четвертый:

skeptic;

пятый:

experimental designer.

Они должны не соглашаться друг с другом по умолчанию

а:

искать:

ошибки;

contradictions;

alternative explanations.

Так AI используется не только для генерации ответа.

Но и для интеллектуальной оппозиции внутри исследования.

61.11. GLR-RD-MAX-07. Создать AI Scientific Red Team

Для крупных breakthrough hypotheses автоматически формируется альтернативная команда.

Она пытается:

опровергнуть гипотезу;

найти confounder;

предложить более простое объяснение;

обнаружить methodological flaw.

Новый принцип

сильная AI-система должна уметь не только помогать ученому доказать идею, но и максимально качественно пытаться ее разрушить.

61.12. GLR-RD-MAX-08. Ввести Uncertainty-by-Design

Каждый AI-generated scientific conclusion сопровождается:

confidence;

assumptions;

sensitivity;

data limits;

alternative hypotheses.

Запрещенный режим

AI выдает:

«ответ».

Правильный

AI выдает:

«вот наиболее вероятный вывод, вот степень неопределенности и вот эксперимент, который сильнее всего эту неопределенность уменьшит».

Это фундаментально для autonomous science.

61.13. GLR-RD-MAX-09. Ввести Simulation-First Research

До дорогого физического эксперимента проводится максимально возможное:

modeling;

simulation;

digital screening.

Физически проверяются прежде всего

наиболее информативные;

наиболее перспективные

варианты.

Цель

Не заменить реальность simulation.

А:

не тратить физический эксперимент на то, что можно дешево исключить вычислительно.

61.14. GLR-RD-MAX-10. Создать Национальную научную вычислительную сеть

HPC;

AI compute;

scientific cloud;

в перспективе quantum accelerators

объединяются в распределенную national research compute infrastructure.

Функциональный frontier уже движется именно к соединению supercomputing, экспериментальных facilities и AI в единый научный контур — это является центральной архитектурой американской Genesis Mission.

Пользователь получает

не конкретный сервер,

а:

вычислительную capability.

61.15. GLR-RD-MAX-11. Ввести Scientific Compute SLA

Для разных классов исследовательских задач устанавливается максимальное время ожидания.

Например

standard AI/scientific job:

часы;

large HPC:

дни;

strategic extreme compute:

индивидуальный режим.

Главный KPI

Experiment Waiting for Compute Time.

Он должен стремиться к минимуму.

61.16. GLR-RD-MAX-12. Создать Experiment Digital Twin

До запуска сложного эксперимента строится его цифровая модель.

Она помогает проверить:

configuration;

sensor placement;

expected signal;

failure modes;

parameter range.

После эксперимента

реальные данные обновляют twin.

Так simulation и experiment формируют единый цикл:

model → experiment → model correction → next experiment.

61.17. GLR-RD-MAX-13. Сделать Scientific Instruments API-native

Современный прибор не должен существовать как цифровой остров.

Для нового государственного scientific equipment обязательным требованием становится наличие:

стандартизированного API;

machine-readable output;

remote-control interface

там, где это безопасно.

Цель

AI и laboratory orchestration systems получают возможность взаимодействовать с оборудованием автоматически.

61.18. GLR-RD-MAX-14. Создать National Scientific Instrument Protocol

Микроскоп одной компании;

спектрометр другой;

robot третьей

не должны требовать полностью уникальной программной интеграции.

Создается

open scientific device interface standard.

Результат

новая автономная лаборатория собирается:

не как штучный software project,

а:

как модульная система.

61.19. GLR-RD-MAX-15. Создать 100 автономных исследовательских платформ

В течение пятилетия необходимо развернуть не менее 100 крупных autonomous research platforms в направлениях, где closed-loop experimentation технологически оправдан.

Приоритеты

materials;

chemistry;

catalysis;

biotechnology;

pharmaceutical discovery;

microelectronics;

photonics;

energy storage;

agrotechnologies.

Каждая система соединяет

AI;

robotics;

analysis;

active learning.

61.20. GLR-RD-MAX-16. Создать Autonomous Lab-as-a-Service

Автономная лаборатория не должна обслуживать только один институт.

Исследователь из любого квалифицированного центра может дистанционно:

загрузить experiment design;

получить слот;

передать samples;

получить standardized dataset.

Цель

Перевести autonomous science:

из:

элитной capability нескольких лабораторий

в:

национальную исследовательскую услугу.

61.21. GLR-RD-MAX-17. Ввести 24/7 Science Standard

Автономный прибор или robotic lab не должен простаивать ночью только потому, что человек ушел домой.

Berkeley A-Lab уже работает 24/7, а ORNL развивает autonomous workflows именно как постоянно работающий исследовательский контур.

Для подходящей infrastructure

ночь становится:

не downtime,

а:

machine research time.

61.22. GLR-RD-MAX-18. Ввести Active-Learning Experiment Design

Традиционный экспериментатор заранее задает серию:

100 опытов.

Autonomous system после каждого результата спрашивает:

какой следующий эксперимент даст максимум новой информации?

Так можно существенно уменьшить число опытов, необходимое для поиска optimum.

Новый KPI

Information Gain per Experiment.

61.23. GLR-RD-MAX-19. Создать Real-Time Experimental Intelligence

Данные анализируются:

не после завершения experiment session,

а:

в процессе.

Если система видит

аномалию;

интересный transition;

unexpected structure,

она меняет measurement strategy в реальном времени.

ORNL уже продемонстрировала экспериментальный подход, при котором AI непосредственно управлял выбором измерений во время работы установки.

Цель

Не тратить уникальное instrument time на заранее неинформативные измерения.

61.24. GLR-RD-MAX-20. Создать Adaptive Beamlines and Facilities

Крупные установки:

synchrotrons;

neutron sources;

high-field systems;

иные experimental facilities

получают AI-orchestration layer.

Он способен

предварительно анализировать образец;

выбирать measurement plan;

обрабатывать поток;

предлагать следующий режим.

Новый KPI

Scientific Information per Facility Hour.

61.25. GLR-RD-MAX-21. Создать National Laboratory Scheduler

Все дорогое shared equipment получает единый interoperable scheduling layer.

Researcher видит

где есть подходящий instrument?

когда свободен?

какая очередь?

можно ли использовать аналог?

AI может предложить

самую быструю доступную equivalent capability.

Результат

ученый перестает ждать установку только потому, что не знает о свободной установке в другом центре.

61.26. GLR-RD-MAX-22. Ввести Scientific Capacity Exchange

Если лаборатория имеет свободные:

instrument-hours;

robot-hours;

compute;

testing capacity,

они становятся видны national research network.

Исследователь покупает или получает по гранту

research capacity, а не обязательно собственный CAPEX.

Это научный аналог промышленного Capacity Market.

61.27. GLR-RD-MAX-23. Создать Remote Science Standard

Для подходящего оборудования ученый должен иметь возможность:

настроить;

наблюдать;

частично управлять

experiment удаленно.

Результат

сильный специалист может участвовать:

в пяти лабораториях,

не переезжая физически между ними.

Это резко увеличивает доступ к уникальной expertise.

61.28. GLR-RD-MAX-24. Создать Research Engineering Corps

Современная наука требует огромного количества задач, которые не являются ни чистой наукой, ни обычным администрированием:

instrument automation;

scientific software;

robot integration;

data engineering;

AI pipelines.

Создается отдельный карьерный трек

Research Engineer.

Эти специалисты работают

между:

ученым;

IT;

оборудованием.

Цель

Ученый не должен сам становиться системным администратором, robotic integrator и data engineer одновременно.

61.29. GLR-RD-MAX-25. Создать AI Laboratory Technician

Для стандартизированных лабораторных операций AI-система контролирует:

sample preparation;

calibration;

inventory;

protocol execution;

quality checks.

Человек

утверждает protocol;

контролирует dangerous operations;

разбирает exceptions.

Цель

Высвободить научное время от повторяющейся лабораторной рутины.

61.30. GLR-RD-MAX-26. Создать Predictive Laboratory Supply

Исследование не должно останавливаться из-за отсутствия стандартного расходника.

AI прогнозирует:

consumption;

future experiments;

lead time.

Система заранее

заказывает;

перераспределяет;

резервирует.

Новый KPI

Experiment Delayed by Consumables Rate.

Цель — приблизить к нулю.

61.31. GLR-RD-MAX-27. Создать Scientific Procurement Warehouse

Для наиболее часто используемых:

reagents;

components;

sensors;

laboratory supplies

формируется framework procurement и распределенная складская система.

Исследователь получает стандартный ресурс

как промышленный инженер получает стандартный компонент.

Цель

стандартный расходник не должен проходить полный государственный procurement cycle для каждого отдельного эксперимента.

61.32. GLR-RD-MAX-28. Ввести Automatic Experimental Provenance

Каждое измерение автоматически фиксирует:

кто;

когда;

какой instrument;

какая calibration;

какое software;

какой dataset;

какая версия модели.

Никакой ручной reconstruction через два года.

Результат

reproducibility становится частью infrastructure.

61.33. GLR-RD-MAX-29. Создать Reproducibility Engine

Перед признанием особо значимого applied result система автоматически проверяет:

statistical robustness;

data consistency;

software environment;

method completeness.

Затем

для breakthrough claims может запускаться независимая reproduction.

Новый KPI

Validated Reproducibility Rate.

61.34. GLR-RD-MAX-30. Создать National Replication Network

20–30 лабораторий получают функцию:

независимо воспроизводить наиболее значимые или потенциально рискованные результаты других команд.

Это особенно важно для

biomed;

materials;

AI;

complex experimental science.

Цель

Не повысить бюрократию.

А:

быстро отличать истинный breakthrough от результата, который исчезает при независимой проверке.

61.35. GLR-RD-MAX-31. Создать National Negative Results Graph

Программа-минимум вводила discipline прекращения слабых проектов.

Максимальная система должна использовать неудачу как data asset.

Структурированно сохраняются

failed synthesis;

failed hypothesis;

negative trial;

non-working parameter ranges.

AI затем учитывает их

при выборе следующей гипотезы.

Результат

одна лаборатория не повторяет бессмысленно эксперимент, уже доказавший свою бесперспективность в другой.

61.36. GLR-RD-MAX-32. Ввести Machine-Readable Research Protocol

Scientific methods должны по возможности существовать не только как prose:

«нагревали некоторое время».

А как структурированный protocol:

temperature;

time;

instrument;

sequence;

tolerance.

Это делает experiment

воспроизводимым человеком;

выполнимым роботом;

анализируемым AI.

61.37. GLR-RD-MAX-33. Создать Scientific Workflow Marketplace

Исследователь может повторно использовать готовый:

simulation workflow;

data-analysis pipeline;

experimental automation;

robot protocol.

Каждая команда не пишет одно и то же программное обеспечение заново.

Появляется научный аналог

software package ecosystem.

61.38. GLR-RD-MAX-34. Создать National Science API

Участники R&D-системы получают стандартизированные machine interfaces к:

datasets;

compute;

equipment;

grants;

research identities;

project statuses.

Это позволяет

университету;

лаборатории;

частной компании

строить собственные research tools поверх общей national infrastructure.

61.39. GLR-RD-MAX-35. Создать AI Cross-Disciplinary Discovery Engine

Многие breakthroughs возникают на границе областей.

Но researcher физически не способен прочитать литературу:

сразу по десяти дисциплинам.

AI должен искать:

метод из физики, применимый в biology;

algorithm из computer science, применимый в chemistry;

material solution, применимый в energy.

Новый KPI

Cross-Domain Transfer Rate.

Сколько новых research directions возникло через перенос знания между областями?

61.40. GLR-RD-MAX-36. Создать National Scientific Problem Exchange

Компания;

государство;

лаборатория

публикуют сложную проблему:

не готовое ТЗ,

а:

неразрешенную scientific/engineering challenge.

Исследовательские команды предлагают подход.

AI сопоставляет

problem

с:

научными компетенциями страны.

Результат

знание быстрее находит задачу, а задача — исследователя.

61.41. GLR-RD-MAX-37. Создать Dynamic R&D Portfolio

Национальные Technology Missions не должны иметь неподвижный пятилетний бюджет по направлениям независимо от результата.

Каждые 6–12 месяцев

данные:

progress;

global frontier;

experiment results

обновляют portfolio allocation.

Сильный путь получает больше.

Слабый

закрывается или redesign.

Принцип

стабильна стратегическая цель, а не распределение денег между гипотезами.

61.42. GLR-RD-MAX-38. Создать AI Portfolio Copilot для Program Manager

Program Manager видит:

все teams;

milestones;

technical risk;

global competitors;

overlap.

AI моделирует:

какая комбинация проектов дает максимальную вероятность достижения mission goal?

Но решение остается

за Program Manager.

AI помогает управлять портфелем неопределенности.

61.43. GLR-RD-MAX-39. Ввести Scientific Learning Rate

Национальная R&D-система должна измерять:

насколько быстро новый лучший research method распространяется между организациями.

Например

одна лаборатория доказала, что autonomous workflow сокращает cycle в 8 раз.

Через сколько времени:

10;

50;

200

российских laboratories используют аналогичный подход?

Новый KPI

Time from Scientific Best Practice to National Adoption.

61.44. GLR-RD-MAX-40. Создать самоускоряющуюся R&D-систему

ИИ-АСУ «Наука России» анализирует:

миллионы experiments;

queue time;

equipment downtime;

failed protocols;

compute delays;

procurement delays;

reproducibility.

Если system bottleneck повторяется

он автоматически становится объектом реформы.

Таким образом:

научная система исследует не только природу — она постоянно исследует собственную эффективность.

Каждый следующий год один и тот же исследователь должен иметь возможность проверять больше сильных гипотез, чем годом ранее.

61.45. Архитектура сорока суперрешений

Контур	Мероприятия	Результат
Knowledge Infrastructure	01–03	Знание становится машинно доступным
Scientific AI	04–08	AI усиливает научное мышление
Simulation & Compute	09–12	Дорогой эксперимент предваряется вычислением
Instrument Interoperability	13–14	Оборудование становится программируемым
Autonomous Laboratories	15–20	Эксперимент работает в closed loop
National Capacity Network	21–23	Исследователь получает лучшую установку независимо от места
Human Multiplication	24–27	Ученый освобождается от технического ожидания
Reproducible Science	28–32	Результат быстрее проверяется и воспроизводится
Research Software	33–34	Scientific workflows становятся переиспользуемыми
Cross-Domain Discovery	35–36	Ускоряется рождение новых направлений
Portfolio Intelligence	37–38	R&D resource динамически идет к лучшим гипотезам
Self-Learning Science System	39–40	Вся система постоянно ускоряет себя

61.46. Главный новый benchmark — Hypothesis-to-Validated-Result Time

Предлагается сделать центральным показателем программы:

Hypothesis-to-Validated-Result Time — HVRT.

Он показывает:

сколько времени проходит между:

формализованной проверяемой гипотезой

и:

результатом, который:

получен;

проанализирован;

воспроизводим;

достаточен для следующего научного решения.

Для разных наук показатели различаются.

Но в каждой области можно определить:

world frontier;

Russian baseline;

target.

Пятилетняя цель

Сократить HVRT:

не менее чем вдвое в большинстве технологически подходящих направлений;

в high-throughput autonomous disciplines —

в 5–10 и более раз.

61.47. Второй benchmark — Researcher Capability Multiplier

Один ученый старой системы располагает:

собственным временем;

несколькими сотрудниками;

локальной лабораторией.

Ученый новой системы получает:

AI agents;

global knowledge graph;

remote laboratories;

robots;

HPC;

automatic analysis.

Предлагается показатель:

Researcher Capability Multiplier — насколько больше научных циклов способен выполнить исследователь с новой инфраструктурой относительно традиционного режима.

Цель:

в областях, подходящих для AI/automation:

минимум 3×

и значительно выше для отдельных experimental workflows.

61.48. Третий benchmark — Scientific Capital Utilization

Страна может купить огромное количество дорогостоящего оборудования.

Но если оно простаивает, scientific power не создается.

Измеряется:

Scientific Capital Utilization Rate.

Для каждого крупного объекта:

доступное время;

использованное;

maintenance;

productive experiment;

queue.

Особенно важно

autonomous equipment должно стремиться к utilization, возможному в режиме:

24/7.

61.49. Четвертый benchmark — Experiment Waiting Ratio

Полный research cycle делится на:

Working Time

реальное:

моделирование;

подготовка;

эксперимент;

анализ.

Waiting Time

очередь;

закупка;

compute;

оборудование;

организационное решение.

Создается:

Experiment Waiting Ratio = Waiting Time / Total Research Cycle Time.

Главная цель

уменьшить административное и инфраструктурное ожидание в несколько раз.

61.50. Пятый benchmark — Information Gain per Experiment

Необходимо перестать считать:

чем больше экспериментов, тем лучше.

Если AI способен выбрать 20 информативных опытов вместо 200 случайных, scientific productivity выше.

Поэтому вводится:

Information Gain per Experiment.

Это один из ключевых KPI active-learning science.

61.51. Шестой benchmark — Scientific Reproducibility Latency

Сколько времени проходит:

от breakthrough result

до:

независимой проверки?

В традиционной системе:

годы.

Для strategic results необходим значительно более короткий цикл.

Новый показатель

Reproducibility Latency.

Для высокоприоритетных applied results:

независимая verification должна запускаться практически сразу.

61.52. Седьмой benchmark — Data Reuse Multiplier

Один эксперимент не должен создавать ценность только для одной статьи.

Scientific dataset может использоваться:

для следующего исследования;

AI training;

cross-domain analysis.

Измеряется

сколько независимых научных задач использовали один качественный publicly funded dataset.

Это превращает research data в капитал с повторным использованием.

61.53. Восьмой benchmark — Autonomous Research Share

Доля experimental workflow, которая выполняется:

автоматически;

при соблюдении заданных человеком:

constraints;

safety rules;

research objectives.

Не нужно стремиться к 100%

во всей науке.

В:

теоретической математике

и:

этнографии

показатель имеет другой смысл, чем в materials discovery.

Но для:

combinatorial chemistry;

materials;

biotech screening

он способен стать важным мировым benchmark.

61.54. Девятый benchmark — Scientist Decision Quality Time

AI должен экономить ученому время не ради самого сокращения рабочего дня.

Высвободившееся время должно перемещаться в:

выбор вопроса;

интерпретацию;

творческую гипотезу;

научный спор.

Измеряется

доля времени ведущего исследователя, которую он тратит на:

scientific judgment

вместо:

routine administration/data handling.

Главный human-centric результат:

машина должна забрать у ученого рутину и вернуть ему науку.

61.55. Новый технологический цикл исследования

Традиционный цикл:

literature → hypothesis → experiment → manual analysis → paper.

Максимальный контур:

Scientific Knowledge Graph
→ AI-assisted hypothesis
→ simulation
→ optimal experiment design
→ autonomous experiment
→ real-time analysis
→ automated provenance
→ independent challenge
→ next hypothesis.

Это уже не просто автоматизация лаборатории.

Это новая производственная архитектура знания.

61.56. Почему ключевым становится не скорость одного эксперимента, а скорость итерации

Можно купить робот, который в сто раз быстрее переливает жидкость.

Но если:

result analysis занимает месяц;

next experiment approval — два месяца,

национальный R&D практически не ускорился.

Поэтому главный объект:

не:

experiment speed.

А:

full feedback-loop speed.

Berkeley Lab прямо описывает преимущество autonomous laboratory не как простое параллельное производство образцов, а как способность быстро повторять цикл: попробовать, проанализировать и решить, что делать дальше.

61.57. Следующая научная революция — closed-loop science

Главное технологическое изменение состоит в замыкании контура.

Старый режим

человек вручную соединяет:

theory;

data;

instrument;

decision.

Новый

digital system связывает эти элементы непрерывно.

Ученый меняет роль.

Он все меньше:

переносит данные;

повторяет protocol;

ждет output.

И все больше:

формулирует вопрос;

задает objective;

интерпретирует anomaly;

создает новую conceptual model.

61.58. Человек должен оставаться автором научной цели

Автономная наука не должна означать:

AI самостоятельно решает, какие проблемы человечеству важно исследовать.

Выбор:

научной проблемы;

этической границы;

стратегического приоритета

остается человеческим и общественным решением.

Правильное разделение

человек определяет вопрос;

AI расширяет пространство гипотез;

машины ускоряют проверку;

человек отвечает за научный вывод.

61.59. AI не должен становиться единственным источником научной гипотезы

Если все ученые используют:

одну модель;

одни datasets;

одни priors,

может возникнуть новый системный риск:

algorithmic scientific monoculture.

Все будут искать примерно в одном направлении.

Поэтому необходимы:

несколько моделей;

разные methodologies;

human-generated hypotheses;

AI red teams.

Принцип

AI должен расширять научное разнообразие, а не стандартизировать научное мышление.

61.60. Scientific Foundation Models должны конкурировать

Нельзя создавать одну «национальную модель науки», которой обязаны пользоваться все.

Необходимо:

несколько моделей;

открытые interfaces;

benchmarks;

private and public developers.

Они конкурируют по

accuracy;

reasoning;

uncertainty;

scientific utility.

Государство

создает:

data;

compute;

benchmarks.

Но сохраняет модельное разнообразие.

61.61. Безопасность autonomous laboratories

Роботизированная лаборатория способна работать:

ночью;

без непосредственного присутствия человека.

Это повышает требования к safety.

Обязательны

physical interlocks;

chemical limits;

biosafety rules;

emergency shutdown;

remote supervision;

audit trail.

AI никогда не должен иметь возможность снять safety constraint ради оптимизации experiment objective.

Формула

autonomy inside a hard safety envelope.

61.62. Исследовательская безопасность и открытая наука должны быть разделены по уровням

Не все data могут быть открыты.

Существуют:

personal medical information;

dual-use research;

strategic technology;

commercial IP.

Но из этого не следует, что вся научная система должна быть закрыта.

Необходима классификация

Open;

Controlled Research Access;

Commercial Confidential;

Strategic Restricted.

Принцип

максимальная открытость там, где это безопасно; точечное ограничение там, где это действительно необходимо.

61.63. Научное воспроизводство должно стать дешевле

Одной из причин слабой reproducibility является стоимость повторного эксперимента.

Если autonomous laboratory способна автоматически повторить protocol другой команды ночью при свободной мощности, verification становится значительно дешевле.

Это принципиально меняет научную систему:

воспроизводимость превращается из редкой инициативы энтузиаста в инфраструктурную функцию.

61.64. Negative result становится полноценным активом

При machine-readable research отрицательный результат способен иметь огромную ценность.

Он говорит AI:

не используй:

такой parameter region;

такую molecule;

такой synthesis route.

В ручной системе negative result часто вообще не публикуется.

В AI-driven science его ценность растет, потому что он улучшает следующий поиск.

Следовательно:

провал одного эксперимента становится входными данными для успеха следующего.

61.65. Исследовательский институт будущего — не здание

Традиционно research institute связан с конкретной площадкой.

Но если ученый способен использовать:

remote microscopy;

national compute;

autonomous lab in another region;

shared scientific AI,

реальной единицей становится:

распределенная исследовательская сеть.

Команда может физически находиться:

в Новосибирске;

Москве;

Казани;

Томске

и работать с одной national virtual laboratory.

61.66. Географический масштаб России становится преимуществом

Сегодня географическая удаленность научных центров создает транзакционные издержки.

В новой системе она может стать источником diversity.

Разные центры имеют:

различные школы;

equipment;

specialization.

National Science API и Remote Science превращают их в одну distributed capability.

Россия получает

не:

100 отдельных научных островов,

а:

один виртуальный исследовательский мегакомплекс национального масштаба.

61.67. Исследовательская система должна иметь «фабрики данных»

Autonomous experiments будут генерировать огромные массивы высококачественных data.

Это запускает положительный цикл:

лучше AI → лучше experiment → больше качественных data → еще лучше AI.

Таким образом autonomous lab — это не только experiment machine.

Это:

data-generation engine для scientific AI.

Именно такой контур сегодня лежит в основе современных AI-driven laboratory programmes США.

61.68. Национальный научный learning loop

Можно сформулировать полный цикл:

research question

↓

Scientific Knowledge Graph

↓

AI hypotheses

↓

simulation

↓

autonomous experiment

↓

validated data

↓

Scientific Data Space

↓

better AI

↓

better hypothesis

↓

faster discovery.

Это и есть механизм самоускорения R&D.

61.69. Пятилетняя последовательность реализации

Год 1. Создать цифровой фундамент науки

Разворачиваются:

Scientific Knowledge Graph;

Scientific Data Space;

Scientific Data Passport;

National Science API;

Research Cycle Time dashboard.

Начинается обучение первых Scientific Foundation Models.

По 1000 research projects измеряется:

Working Time;

Waiting Time;

Iteration Time.

Год 2. Усилить каждого исследователя

Массово внедряются:

Scientific AI Copilots;

AI Red Teams;

Scientific Compute SLA;

remote equipment access;

Research Engineering Corps.

Все новые крупные приборы получают machine-readable interfaces.

Запускаются первые 20 autonomous laboratory platforms.

Год 3. Замкнуть experiment loop

Количество autonomous platforms достигает 50–60.

Разворачиваются:

active-learning experiment design;

real-time analysis;

Experiment Digital Twins;

National Laboratory Scheduler;

Scientific Capacity Exchange.

Ключевые facilities начинают работать как national shared infrastructure.

Год 4. Соединить автономные лаборатории в сеть

Не менее 100 autonomous platforms работают через совместимые protocols.

Появляются:

Autonomous Lab-as-a-Service;

National Replication Network;

Negative Results Graph;

Scientific Workflow Marketplace.

Scientific Foundation Models используют национальные datasets и экспериментальные streams.

Год 5. Национальная self-accelerating R&D system

В наиболее подходящих disciplines полный цикл:

hypothesis;

simulation;

experiment;

analysis;

next experiment

может идти практически непрерывно.

ИИ-АСУ «Наука России» систематически выявляет:

очередь;

downtime;

redundant experiment;

data gap;

compute bottleneck

и запускает их устранение.

61.70. Целевой dashboard максимального фронтира

Показатель	Пятилетний ориентир
Research projects лидерского контура с digital thread	≈100%
Autonomous research platforms	≥100
National Scientific Data Space	основные государственные R&D-контуры
Scientific Foundation Models	ключевые научные domains
Frontier researchers с Scientific AI Copilot	массовый стандарт
Standard scientific compute provision	часы / не более суток
Новый крупный equipment с API-native interface	≈100%
Shared facilities в National Scheduler	основная федеральная инфраструктура
Experiment Waiting Ratio	−50–70%
Hypothesis-to-Validated-Result Time	−50%+ в большинстве подходящих областей
High-throughput autonomous domains	5–10× ускорение отдельных циклов
Scientific Capital Utilization	устойчивый рост, 24/7 где возможно
Repeat manual data entry	близко к нулю
High-priority applied results с reproducibility check	≈100%
Researcher Capability Multiplier	≥3× в AI/automation-intensive domains
Time from best research practice to national diffusion	−70%

61.71. Мегапроект «Миллион автономных экспериментов»

Для проверки новой системы предлагается национальный демонстрационный мегапроект:

«Миллион автономных экспериментов».

В течение пяти лет сеть российских autonomous research platforms должна провести не менее миллиона полноценно задокументированных machine-assisted экспериментальных циклов.

Направления

materials;

catalysis;

chemistry;

biotech;

energy;

microelectronics.

Но KPI — не само число опытов

А:

сколько:

новых закономерностей;

validated hypotheses;

новых материалов;

технологических capabilities

они создали.

61.72. Второй мегапроект — «100 научных задач × 10 ускорение»

Выбираются 100 измеримых R&D problems.

Для каждой фиксируется сегодняшний baseline:

например:

найти материал с заданным свойством;

оптимизировать catalyst;

идентифицировать molecule;

подобрать производственный режим.

Задача

с использованием:

AI;

simulation;

automation;

shared infrastructure

сократить полный research cycle в десять раз там, где физически достижимо.

Это позволит доказать не абстрактное:

«AI помогает науке»,

а:

конкретное ускорение научного цикла.

61.73. Третий мегапроект — «Ученый ×10»

Выбираются 1000 сильных российских исследователей.

Им предоставляется полный пакет:

Scientific AI;

research engineer;

compute;

national facility access;

automated data pipeline;

minimal administrative burden.

Сравнивается

сколько significant scientific cycles они могли выполнить:

до программы

и:

после.

Цель

понять:

какая часть российской научной производительности ограничивается не талантом, а research environment.

61.74. Что Россия должна превзойти

США уже строят национальную платформу AI-for-science с целью удвоения продуктивности R&D в десятилетнем горизонте.

Япония сделала AI for Science одним из элементов национальной стратегии научного возрождения.

Американские лаборатории уже демонстрируют:

24/7 robotics;

AI-guided experiments;

50–100-кратное увеличение sample throughput;

сети self-driving laboratories.

Следовательно, российская максимальная программа должна ставить задачу выше:

не внедрить отдельные autonomous labs, а сделать скорость научного цикла системным свойством всей национальной R&D-инфраструктуры.

61.75. Минимальный и максимальный фронтир

Программа-минимум	Программа-максимум
Shared scientific equipment	Autonomous Lab-as-a-Service
Scientific compute access	Compute on demand
Исследовательская база данных	Scientific Knowledge Graph
Research datasets	National Scientific Data Space
AI assistant	Multi-Agent Scientific Team
Simulation	Simulation-first R&D
Digital experiment record	Experiment Digital Twin
Automated equipment	Closed-loop autonomous experiment
Research facility	API-native scientific infrastructure
Long-term grant	AI-augmented research team
Peer review	Continuous reproducibility infrastructure
Negative result	Machine-learning asset
Research institution	Distributed national virtual laboratory
Повышение научной производительности	Self-accelerating science

61.76. Почему максимальный frontier не измеряется числом роботов

Можно купить:

1000 robotic arms

и почти не ускорить науку.

Если:

data плохие;

AI не понимает experiment;

instrument systems несовместимы;

ученый ждет compute;

следующий этап решается месяц,

robot лишь быстрее выполняет маленькую часть медленного процесса.

Следовательно:

автономная лаборатория является не роботизированной лабораторией.

Она является системой, в которой:

measurement автоматически меняет следующий experiment.

Именно closed loop создает новый тип производительности.

61.77. Почему supercomputer сам по себе также недостаточен

Compute способен выполнить миллиард операций.

Но если:

плохо сформулирован scientific question;

данные некачественны;

simulation не связана с experiment,

вычислительная мощность лишь быстрее производит слабый результат.

Поэтому максимальная система должна соединить:

human question + AI reasoning + trusted data + compute + physical experiment.

Только вся цепочка вместе создает scientific acceleration.

61.78. Самый дефицитный ресурс будущей науки — не данные и не compute

И данных,

и вычислительных мощностей

будет становиться все больше.

Главным дефицитом может стать:

способность правильно формулировать важные научные вопросы.

Именно поэтому роль сильного исследователя не уменьшается.

Наоборот.

Если машина способна за ночь проверить 100 гипотез, ценность человека, который предложил правильные 100 гипотез, становится значительно выше.

61.79. AI увеличивает ценность выдающегося ученого

В традиционной системе сильнейший researcher ограничен:

24 часами в сутках;

размером лаборатории;

числом экспериментов.

В новой:

он способен управлять:

AI-agents;

автономными labs;

distributed facilities;

simulation systems.

Один человек начинает координировать значительно большую intellectual machinery.

Следовательно:

AI for Science не обесценивает выдающегося ученого — он может кратно увеличить экономическую и научную отдачу выдающегося ученого.

61.80. Следующий мировой научный benchmark

Сегодня R&D-лидерство измеряется прежде всего:

GERD;

R&D/GDP;

researchers;

publications;

citations.

Эти показатели сохранят значение.

Но они должны быть дополнены новым поколением.

Hypothesis-to-Validated-Result Time

Насколько быстро проверяется новая гипотеза?

Researcher Capability Multiplier

Какую исследовательскую мощность получает один ученый?

Scientific Capital Utilization

Насколько полно используется оборудование?

Experiment Waiting Ratio

Какую долю времени исследование ждет?

Information Gain per Experiment

Насколько информативен каждый опыт?

Reproducibility Latency

Как быстро проверяется научный результат?

Autonomous Research Share

Какая доля подходящего experimental workflow выполняется autonomously?

Scientific Learning Rate

Как быстро лучшая исследовательская практика распространяется по стране?

Это уже показатели не просто размера науки.

Они измеряют:

скорость превращения национального интеллекта в проверенное новое знание.

61.81. Максимальный лидерский фронтир

Программа-минимум должна приблизить Россию к сегодняшним лидерам:

по расходам;

business R&D;

научной инфраструктуре;

organization of research.

Но программа-максимум должна стремиться создать другую научную систему.

В ней:

AI читает мировой научный поток непрерывно;

researcher видит весь knowledge graph своей проблемы;

simulation отбрасывает слабые варианты;

autonomous lab работает ночью;

experiment сам определяет следующий experiment;

data автоматически становятся частью national scientific memory;

другая лаборатория быстро воспроизводит breakthrough;

лучший метод мгновенно распространяется по всей исследовательской сети.

Главным ограничением постепенно перестает быть:

сколько ручных операций способен выполнить человек.

Им становится:

насколько сильный научный вопрос человек способен поставить перед интеллектуально-физической системой.

Можно сформулировать конечную цель следующим образом:

программа-минимум должна обеспечить российскому ученому условия не хуже сегодняшних лучших исследовательских систем мира.
Программа-максимум должна дать одному сильному российскому ученому исследовательскую мощность, которой сегодня располагает целая традиционная лаборатория.

Именно тогда Россия сможет создать:

не просто большую R&D-систему,
не просто хорошо финансируемую R&D-систему,
а самоускоряющуюся систему производства нового знания, в которой каждый следующий научный цикл становится быстрее предыдущего.

Это и будет означать появление исследовательской системы сверхбыстрого технологического цикла.

*********

ЧАСТЬ XV. СУБПРОГРАММА «ГЛОБАЛЬНАЯ ПАТЕНТНАЯ МОЩНОСТЬ»

Базовые международные benchmarks: Patent Cooperation Treaty — PCT, World Intellectual Property Indicators WIPO, международные патентные семьи и показатели коммерциализации интеллектуальной собственности

Глава 62. Страны и корпорации — мировые патентные лидеры

Патент сам по себе не является инновацией.

Патент может:

защищать технологию, которой никто никогда не воспользуется;

лежать в архиве университета;

существовать только ради выполнения показателя;

защищать небольшой локальный рынок.

Но патент может выполнять совершенно другую функцию.

Он способен:

закрыть конкуренту доступ к ключевой технологии;

защитить экспортный продукт на десятках рынков;

стать частью международного стандарта;

принести лицензионный доход;

увеличить стоимость компании;

стать предметом cross-licensing;

защитить многолетние затраты на R&D;

создать переговорную позицию целой отрасли.

Поэтому настоящая программа должна измерять не просто патентную активность.

Нас интересует:

патентная мощность — способность страны превращать технологическое преимущество в юридически защищенную, международно масштабируемую и экономически монетизируемую позицию.

Это принципиально более сильное понятие.

62.1. Почему количество национальных патентов недостаточно

В 2024 году в мире было подано рекордные 3,7 млн патентных заявок.

По происхождению заявителей лидировали:

1. Китай — около 1,8 млн;
2. США — 501 831;
3. Япония — 419 132;
4. Республика Корея — 295 722;
5. Германия — 133 485.

Но простой подсчет заявок имеет серьезные ограничения.

На показатель влияют:

размер страны;

структура экономики;

национальная патентная культура;

отрасли специализации;

правила подсчета;

наличие utility models;

государственные incentives.

Например, одна сильная технология может защищаться:

одним патентом;

или:

десятками взаимосвязанных патентов.

Следовательно:

патентное количество еще не означает патентное качество.

Для международной технологической конкуренции необходим более сильный фильтр.

Одним из лучших является PCT.

62.2. Что такое Patent Cooperation Treaty

Patent Cooperation Treaty позволяет заявителю одной международной заявкой начать процедуру получения патентной охраны сразу в большом числе государств.

Но необходимо сразу сделать методологическую оговорку:

PCT не создает единого «мирового патента».

Процедура состоит из:

международной фазы

и:

последующих национальных или региональных фаз.

На международной фазе происходят:

подача заявки;

formalities examination;

международный поиск;

письменное заключение;

публикация;

при желании — международная предварительная экспертиза.

Затем заявитель выбирает государства, где он действительно хочет продолжить защиту, и входит в соответствующие национальные или региональные процедуры. Для большинства ведомств это обычно происходит примерно к 30-му месяцу от priority date.

Именно поэтому PCT особенно полезен как показатель международных технологических амбиций.

Если компания подает только национальный патент, возможно, она защищает решение исключительно на домашнем рынке.

Если она несет:

международные пошлины;

переводы;

расходы patent attorneys;

последующие national phase costs,

она, как правило, видит существенно больший потенциальный рынок.

Поэтому:

PCT — не идеальный, но значительно более сильный индикатор глобальной патентной стратегии, чем простое число домашних заявок.

62.3. Размер мировой системы PCT

В 2025 году:

• было подано около 275 900 PCT-заявок;
• в системе участвовали 158 государств;
• заявки поступили от заявителей из 129 стран;
• пять крупнейших стран обеспечили 78,2% мирового PCT-потока;
• Азия уже формировала 57% всех PCT-заявок.

То есть международная patent power чрезвычайно концентрирована.

Это важно.

Мировая технологическая экономика распределена гораздо шире, чем мировая способность систематически строить международные патентные портфели.

62.4. Мировая тройка PCT 2025

Последние данные WIPO дают следующую картину:

Место	Страна	PCT-заявки, 2025	Доля мира
1	Китай	73 718	26,7%
2	США	52 617	19,1%
3	Япония	47 922	17,4%
4	Республика Корея	25 016	9,1%
5	Германия	16 441	6,0%

Только Китай, США и Япония обеспечивают почти две трети мирового потока международных патентных заявок.

Но гораздо важнее выяснить:

что стоит за этими цифрами?

62.5. Китай: от массового патентования к high-value commercialization

Китай представляет собой крупнейшую современную трансформацию мировой патентной системы.

В 2024 году китайские заявители подали около 1,8 млн патентных заявок по всему миру, а число действующих патентов в Китае достигло около 5,7 млн.

В 2025 году Китай стал безусловным лидером PCT:

73 718 заявок, или более четверти мирового объема.

Но особенно важно, что китайская политика постепенно изменила саму постановку задачи.

На раннем этапе рост количества патентов был важен как механизм формирования национальной IP culture.

Следующий этап:

от количества патентов — к качеству, промышленному использованию и экономической ценности.

62.6. Китайский Special Action Plan for Patent Commercialization

В 2023–2025 годах Китай провел одну из самых масштабных в мире программ инвентаризации и коммерциализации university/research patents.

Впервые была проведена оценка примерно:

1,349 млн патентов

более чем:

2700 университетов и исследовательских организаций.

Из них было выделено около:

680 тыс. изобретений с высоким потенциалом коммерциализации

и сопоставлено с потребностями приблизительно:

460 тыс. предприятий.

Около 80 тыс. патентов на изобретения университетов и исследовательских организаций были промышленно внедрены за 2023–2025 годы.

К концу 2025 года industrialization rate патентов на изобретения достиг:

• 10,1% для университетов;
• 17,2% для научно-исследовательских институтов.

Это исключительно важный benchmark.

Китай перестал спрашивать только:

«сколько патентов получил университет?»

Он начал спрашивать:

«какие из них способны решить технологическую проблему конкретной компании?»

62.7. Патент превращается в инфраструктуру промышленной политики

В рамках той же программы создавались:

patent-navigation services;

отраслевые IP centers;

патентные пулы;

innovation consortia;

механизмы финансирования под IP.

Были охвачены более 300 специализированных производственных цепочек и сформированы сотни отраслевых IP-инфраструктурных организаций.

В 2025 году объем китайских technology contracts, включавших патенты, достиг примерно 1,18 трлн юаней, увеличившись почти на 19% за год.

Таким образом китайская формула меняется:

R&D → patent → enterprise matching → industrialization → finance → product → technology market.

Патент перестает быть конечным отчетным результатом.

Он становится промежуточным активом промышленного развития.

62.8. США: патент как рыночный мост между наукой и компанией

США занимают второе место в PCT:

52 617 заявок в 2025 году.

По общему числу worldwide patent filings американские заявители также занимают вторую позицию — более 500 тыс. заявок в 2024 году. В США действовали около 3,5 млн патентов.

Но американская патентная сила связана прежде всего с архитектурой commercialization.

62.9. Bayh–Dole: право на коммерциализацию государственного исследования

Bayh–Dole Act 1980 года разрешил университетам и другим получателям федерального research funding сохранять права на изобретения, возникшие в рамках такого финансирования, и лицензировать их промышленности.

Stevenson–Wydler Act обязал федеральные лаборатории заниматься technology transfer.

Federal Technology Transfer Act создал правовую основу для:

лицензирования;

Cooperative Research and Development Agreements — CRADA;

взаимодействия федеральных laboratories с компаниями.

Федеральная сеть technology transfer включает более 300 лабораторий, agencies и research centers.

Смысл этой архитектуры:

если государство профинансировало знание, это знание должно иметь понятный юридический маршрут к тому, кто способен превратить его в продукт.

62.10. США: патент ценен тогда, когда вокруг него возникает компания

Американский university technology transfer не предполагает, что университет сам должен построить завод.

Он может:

лицензировать технологию существующей компании;

передать ее startup;

создать spin-off;

заключить совместный R&D agreement.

Таким образом собственник знания и собственник производственной capability необязательно совпадают.

Именно рынок лицензирования соединяет их.

Это принципиально важный урок для России.

Стране не нужно заставлять автора каждого изобретения самостоятельно становиться промышленником. Нужно сделать передачу технологии профессиональной, быстрой и экономически привлекательной.

62.11. Япония: патент как часть корпоративной технологической стратегии

Япония занимает третье место в мире:

47 922 PCT-заявки в 2025 году.

В 2024 году японские заявители подали около 419 тыс. патентных заявок по всему миру, а в самой Японии действовало около 2,1 млн патентов.

Но более значима структура.

WIPO показывает, что в Японии доля бизнеса в опубликованных PCT-заявках превышает 96%. Аналогичный уровень наблюдается в Финляндии и Швеции.

То есть международная патентная сила Японии — прежде всего корпоративная.

Это не поток патентов, оторванных от экономики.

Основными держателями международных portfolios являются компании, которые одновременно:

проводят R&D;

создают продукт;

производят;

экспортируют;

участвуют в стандартах.

62.12. Япония: IP управляется как национальный стратегический актив

В июне 2026 года Япония утвердила новую Intellectual Property Strategic Program 2026.

В ней интеллектуальная собственность рассматривается как один из инструментов реализации национальной growth strategy; отдельно выделяются 17 стратегических направлений, использование IP в корпоративном управлении, международная стандартизация и новые вопросы, связанные с generative AI.

Это продолжает более раннюю японскую модель:

создание → защита → использование → стандарт → рынок → новое создание.

Патентная политика встроена:

в R&D;

industrial policy;

standards policy;

corporate strategy.

Она не является узкой функцией патентного ведомства.

62.13. Республика Корея: самый последовательный догоняющий лидер

Корея занимает четвертое место:

25 016 PCT-заявок в 2025 году.

Особенно показательна устойчивость: WIPO фиксирует рост корейского PCT-потока 28 лет подряд.

Это результат той же модели, которая уже обсуждалась в главах о R&D:

высокий corporate R&D;

Samsung;

LG;

SK;

массовая инженерная база;

глобальная manufacturing system.

Патентная мощность является не отдельным чудом.

Она является юридическим отражением технологической мощности корпоративного сектора.

62.14. Мировые корпоративные лидеры PCT

По количеству опубликованных PCT-заявок в 2025 году лидировали:

Место	Компания	Страна	PCT
1	Huawei Technologies	Китай	7 523
2	Samsung Electronics	Корея	4 698
3	Qualcomm	США	3 227
4	LG Electronics	Корея	2 400
5	CATL	Китай	2 203

Huawei занимает первую позицию девятый год подряд. Среди top-20 крупнейших PCT applicants подавляющее большинство работает в ICT, electronics, energy и advanced industrial technologies.

Это дает еще один принципиальный вывод:

мировые лидеры патентуют не все подряд. Патентная мощность концентрируется вокруг технологий, формирующих крупнейшие будущие рынки.

62.15. Huawei: R&D → стандарты → патенты → лицензирование

Huawei представляет практически эталонную patent strategy для технологической корпорации.

В 2025 году компания:

• направила на R&D 192,3 млрд юаней;
• это составило 21,8% выручки;
• более 114 тыс. сотрудников, или 53,7% персонала, работали в R&D;
• владела примерно 165 тыс. действующих выданных патентов;
• имела более 260 patent licensing и cross-licensing agreements;
• подала более 7000 contributions в технологические стандарты.

То есть Huawei не начинает с вопроса:

«сколько патентов нам нужно?»

Последовательность обратная:

какая технология будет определять будущий рынок?
какой standard ее зафиксирует?
какое R&D необходимо?
какой patent portfolio должен защитить результат?

И только после этого возникает число патентов.

62.16. Почему участие в стандартах особенно важно

Если компания создает сильный патент на локальный продукт, экономическая ценность ограничена рынком продукта.

Если технология становится частью международного стандарта, миллионы или миллиарды устройств могут нуждаться в ее использовании.

Возникает особый класс:

standard-essential patents — SEP.

Поэтому следующий уровень patent power:

не только защитить технологию, но участвовать в формировании технических правил, по которым будет работать будущая отрасль.

Это особенно важно для:

телекоммуникаций;

AI interfaces;

IoT;

industrial data protocols;

energy systems;

connected vehicles.

62.17. Samsung: патентная система глобального производителя

Samsung Electronics занимает второе место в PCT 2025 — 4698 опубликованных заявок.

На конец 2025 года компания сообщала о:

281 857 действующих патентах по всему миру.

Из них:

около 105 тыс. — в США;

65 тыс. — в Корее;

52 тыс. — в Европе;

31 тыс. — в Китае.

Только в 2025 году Samsung зарегистрировала более:

10 тыс. патентов в Корее

и:

10 тыс. в США.

R&D expenditure составил около 38 трлн вон.

Это дает другой benchmark.

Глобальная производственная компания защищает технологию там, где существует рынок, производство и конкурент.

То есть патентный портфель географически следует за:

business model.

62.18. Qualcomm: патент как самостоятельная глобальная бизнес-модель

Qualcomm занимает третье место PCT 2025 — 3227 заявок.

Но компания особенно интересна не количеством.

Она владеет более чем:

200 тыс. выданных и находящихся на рассмотрении патентов

в более чем:

100 странах и юрисдикциях.

Qualcomm заключила более 300 licensing agreements, а ее технологии использовались более чем в 18 млрд устройств.

В 2025 финансовом году подразделение Qualcomm Technology Licensing — QTL — получило около:

5,6 млрд долларов выручки.

Это наиболее наглядная демонстрация:

хороший patent portfolio может сам стать экспортным продуктом.

Компания экспортирует не обязательно физическое оборудование.

Она экспортирует право использовать технологическое знание.

62.19. Что общего у Huawei, Samsung и Qualcomm

Компании сильно различаются по бизнес-модели.

Но у них есть семь общих признаков.

1. Огромный систематический R&D

Патент начинается не у patent attorney.

Он начинается в research laboratory.

2. Патентование связано с product roadmap

Защищается не случайное изобретение.

Защищается будущий бизнес.

3. Создаются портфели, а не одиночные патенты

Основная технология окружена:

core patents;

implementation patents;

process patents;

design-around protection.

4. Защита международная

Patent family следует за рынком.

5. Патентная стратегия начинается до публикации

Не после того, как исследователь уже раскрыл результат.

6. Standards и patents связаны

Особенно в ICT.

7. Патент должен создавать экономическую позицию

Через:

продукт;

лицензию;

cross-license;

стандарт;

переговорное преимущество.

62.20. Почему PCT также недостаточно

Даже PCT нельзя превращать в самоцель.

Компания может подать международную заявку

и затем:

не войти ни в одну значимую national phase.

Можно получить:

широкий portfolio

из слабых claims.

Поэтому патентная мощность должна измеряться системой показателей.

62.21. Национальная модель Patent Power

Предлагается использовать восемь уровней.

1. Invention Creation

Сколько реально патентоспособных решений создается?

2. Domestic Protection

Получает ли технология национальную защиту?

3. International Protection

Создается ли PCT / foreign-oriented family?

4. Geographic Depth

В скольких ключевых юрисдикциях реально продолжается protection?

5. Legal Quality

Насколько устойчивы claims?

6. Product Use

Используется ли патент в продукте или производстве?

7. Commercialization

Есть ли:

license;

assignment;

royalty;

spin-off?

8. Strategic Power

Входит ли технология:

в стандарт;

patent pool;

критический industrial platform?

Можно записать:

Patent Power = Invention × International Protection × Legal Quality × Commercial Use × Strategic Reach.

62.22. Почему patent family важнее одного патента

Один патент — это юридический документ.

Patent family — это уже география технологической стратегии.

Она показывает:

где заявитель готов тратить ресурсы на защиту одной и той же invention.

Именно поэтому WIPO отдельно анализирует:

foreign-oriented patent families;

PCT national-phase entries;

international filing behavior.

Например, в 2024 году заявители из Швейцарии в среднем осуществляли около 4,1 national phase entries на одну PCT application, у Дании показатель был около 3,9.

Это не означает, что «четыре страны всегда оптимальны».

Но демонстрирует:

сильная международная заявка обычно имеет заранее продуманную географию коммерческой защиты.

62.23. Мировой патентный фронтир

Современный patent leader выглядит не как страна с самым большим архивом патентов.

Он имеет:

мощный R&D;

корпоративных заявителей;

international patent families;

technology transfer;

licensing;

стандартизацию;

патентную аналитику;

рынок IP.

Следовательно, текущий мировой frontier можно описать:

R&D → IP strategy → international family → standard/product → licensing/market → reinvestment into R&D.

Именно с этой системой необходимо сравнивать Россию.

Глава 63. Причины российского патентно-коммерциализационного разрыва

63.1. Россия имеет значительную внутреннюю патентную активность

Сначала необходимо исключить ошибочный диагноз.

Россия не является страной, где «никто ничего не патентует».

В 2025 году в Роспатент было подано:

26 494 заявки на изобретения.

Из них от российских заявителей:

21 793.

Это на 1,4% больше, чем годом ранее.

На конец 2025 года в России действовало около:

255 682 патентов на изобретения, включая более 180 тыс., принадлежащих российским правообладателям.

Следовательно, существует:

изобретательская активность;

патентная инфраструктура;

значительный national patent stock.

Проблема начинается на следующей стадии.

63.2. Главный парадокс: внутренние патенты и международные патенты дают совершенно разную картину

Global Innovation Index 2025 показывает:

Patents by origin / GDP

Россия занимает:

20-е место в мире.

PCT patents by inventor origin / GDP

Россия занимает только:

59-е место.

Utility models / GDP

Россия занимает:

9-е место.

Это один из наиболее ясных диагнозов всей книги.

Россия значительно сильнее создает внутренние охранные документы, чем превращает изобретения в международно защищенные технологические активы.

63.3. Россия в PCT 2025

По таблице WIPO в 2025 году от заявителей российского происхождения поступило:

826 PCT-заявок.

В 2024 году — 701.

Рост составляет около 18%, что является положительной динамикой.

По абсолютному показателю Россия находится приблизительно на 23-й позиции мирового списка.

Сравнение:

Страна	PCT 2025
Китай	73 718
США	52 617
Япония	47 922
Корея	25 016
Германия	16 441
Швейцария	5 012
Швеция	3 858
Россия	826

Таким образом:

с Швейцарией — примерно шестикратный разрыв;

с Германией — двадцатикратный;

с Японией — почти шестидесятикратный.

Но абсолютный разрыв — только часть проблемы.

63.4. 21 793 внутренних заявок против 826 PCT

Эти числа нельзя делить и объявлять получившуюся величину «коэффициентом конверсии».

Заявки могут относиться:

к разным invention cohorts;

разным приоритетным годам;

разным applicant strategies.

Однако масштабный контраст все равно крайне показателен:

21 793 российских national invention applications и только 826 PCT applications российского происхождения.

То есть российская patent system гораздо сильнее ориентирована:

внутрь национальной юрисдикции

чем:

наружу на международный рынок.

63.5. Самый важный структурный разрыв — кто именно патентует

В мировой PCT-системе:

89,6% опубликованных заявок приходится на бизнес.

Среди high-income economies бизнес является доминирующим PCT applicant практически везде.

Россия — единственное исключение среди top-20 high-income origins, рассмотренных WIPO.

Доля бизнеса в российском PCT-потоке составляет лишь:

47,8%.

Для сравнения:

в Швеции;

Финляндии;

Японии

она превышает 96%.

Это, возможно, главный российский patent gap.

63.6. Внутреннее патентование также сильно ориентировано на университеты

В 2025 году российские университеты подали:

5944 заявки на изобретения

и обеспечили около:

37,7% заявок юридических лиц.

В 2024 году:

университеты — 6537 заявок;

коммерческие организации — 3216.

Высокая university patent activity сама по себе является сильной стороной.

Проблема возникает, если:

университет патентует значительно активнее, чем промышленность способна эти патенты поглощать.

В патентных лидерах мира международная patent power прежде всего исходит из:

Huawei;

Samsung;

Qualcomm;

LG;

CATL;

других корпораций.

То есть из организаций, непосредственно превращающих technology в business.

63.7. Центральная структурная проблема

Можно сформулировать ее предельно точно:

в России значительная часть патентного потока рождается там, где создается знание, но значительно меньшая часть рождается там, где существует глобальный продуктовый рынок.

Именно между этими двумя системами необходимо построить мост.

63.8. Первый разрыв: патент часто является результатом проекта, а не началом бизнес-стратегии

В слабой модели инновационного проекта последовательность выглядит так:

исследование;

результат;

патент;

отчет;

завершение финансирования.

В сильной:

market opportunity;

R&D;

patent landscape;

IP strategy;

invention;

patent family;

prototype;

product;

international market.

Это принципиально разные системы.

В первой:

патент закрывает проект.

Во второй:

патент открывает рынок.

63.9. Второй разрыв: международная IP strategy начинается слишком поздно

Researcher публикует результат.

Компания демонстрирует prototype.

Только затем возникает вопрос:

можно ли это запатентовать?

Но novelty уже может быть:

снижена;

утрачена;

либо patent landscape уже занят конкурентами.

У мирового corporate leader IP strategy начинается:

до disclosure.

Еще до первой публикации система должна знать:

патентовать?

держать trade secret?

публиковать?

входить в standard?

63.10. Третий разрыв: одиночный патент вместо portfolio architecture

Для глобального технологического продукта одного патента часто недостаточно.

Конкурент может изменить:

конструкцию;

process;

implementation

и обойти защиту.

Поэтому лидеры строят:

core family;

implementation families;

manufacturing/process protection;

software-related protection там, где допустимо;

design-arounds.

Российская система гораздо чаще считает успехом сам факт:

получения одного патента.

Но настоящий KPI:

насколько сложно конкуренту законно воспроизвести экономическую ценность технологии, не нарушив portfolio.

63.11. Четвертый разрыв: патентная аналитика появляется после R&D, а должна предшествовать ему

Patent database — это не только база прав.

Это одна из крупнейших мировых баз технического знания.

Она показывает:

что уже придумано;

кто лидер;

где white space;

какие technology trajectories ускоряются.

Если компания проводит трехлетний R&D project без системного patent landscaping, она рискует:

повторно изобретать существующее;

попасть в чужой blocking patent;

слишком поздно увидеть конкурента.

Следовательно:

patent intelligence должна быть входом R&D, а не архивом его выхода.

63.12. Пятый разрыв: слабая культура Freedom to Operate

Получить собственный патент

и:

иметь право свободно продавать продукт

— разные вещи.

Можно владеть патентом на улучшение технологии

и одновременно нарушать:

чужой более широкий патент.

Поэтому до:

pilot;

industrial scale;

export

должна выполняться профессиональная:

Freedom-to-Operate — FTO analysis.

Без нее международный выход увеличивает litigation risk.

63.13. Шестой разрыв: PCT слишком часто воспринимается как дополнительный расход

International patent family требует значительного бюджета.

Нужно оплачивать:

поиск;

attorneys;

translation;

national phases;

renewal fees.

Для startup или лаборатории это может выглядеть чрезмерно дорогим.

Но правильный вопрос:

не:

«сколько стоит патентование?»

А:

«какой рынок мы потеряем, если конкурент сможет свободно скопировать технологию?»

Это требует экономической IP literacy.

63.14. Седьмой разрыв: государственное финансирование R&D не всегда включает полноценный foreign-IP budget

Можно профинансировать:

исследование;

prototype;

испытания.

Но затем выясняется:

PCT и 3–5 national phases должны финансироваться из неизвестного источника.

В результате продукт получает:

технологический бюджет,

но:

не получает international protection budget.

Это архитектурная ошибка.

63.15. Восьмой разрыв: отсутствует достаточная селекция патентов по экономической ценности

Плохая политика:

«каждый патент нужно международно защитить».

Это создаст огромное количество расходов.

Большинство inventions не требуют protection в:

США;

Китае;

Индии;

Японии;

Европе

одновременно.

Необходим профессиональный отбор:

рынок;

competitor;

product;

licensing opportunity;

strategic importance.

То есть сначала:

market map

потом:

patent map.

63.16. Девятый разрыв: университетский KPI стимулирует заявку, а не использование

Если researcher и university administrator получают показатель за:

patent granted,

но почти ничего не получают за:

license;

spin-off;

product use;

royalty,

система рационально производит патенты.

Не обязательно commercialization.

Поэтому российская university patent activity должна стать сильной стороной только после изменения KPI.

63.17. Десятый разрыв: масштабная инвентаризация существующего patent stock отсутствует как постоянная система

Россия уже имеет сотни тысяч действующих патентов.

Но государству необходимо знать:

какие из них:

используются;

готовы к лицензированию;

имеют commercial potential;

устарели;

следует перестать поддерживать.

Китайский benchmark особенно полезен: 1,349 млн university/research patents были системно оценены, 680 тыс. перспективных inventions сопоставлены с 460 тыс. компаниями.

Для России это буквально готовый тип управленческого механизма.

63.18. Одиннадцатый разрыв: технология плохо находит предприятие

Ученый знает:

что придумал.

Предприятие знает:

какая технологическая проблема ему мешает.

Но эти две информационные системы часто не встречаются.

Обычный patent catalogue плохо решает проблему.

Предприятию нужен ответ:

«какой российский patent portfolio способен повысить мой OEE, снизить себестоимость, создать новый продукт или заменить critical technology?»

Это задача AI matching, а не PDF-каталога.

63.19. Двенадцатый разрыв: недостаточно развит профессиональный technology transfer

Сильный TTO должен уметь одновременно:

понимать технологию;

оценивать IP;

находить buyer/licensee;

собирать сделку;

вести переговоры.

Невозможно ожидать от исследователя, что он автоматически обладает всеми этими компетенциями.

Именно поэтому лидеры создают специализированную profession:

technology transfer.

63.20. Тринадцатый разрыв: рынок лицензирования остается сравнительно небольшим

В 2025 году в России было зарегистрировано около:

2,2 тыс. договоров о распоряжении исключительными правами

в отношении примерно:

6 тыс. патентов.

Количество проданных патентов выросло примерно на 25%.

Это положительная динамика.

Но эти данные необходимо трактовать аккуратно.

Договорная статистика не измеряет всю commercialization.

Компания может использовать собственный patent в собственном продукте без лицензирования третьей стороне.

Тем не менее она показывает масштабы внешнего оборота IP.

И этот рынок необходимо резко углублять.

63.21. Четырнадцатый разрыв: сама регистрация сделки может быть ускорена

Текущая государственная услуга регистрации распоряжения исключительным правом по договору предусматривает общий срок до:

68 рабочих дней

и срок регистрационного решения — до:

45 рабочих дней.

Для сложной сделки такой срок может быть объясним необходимостью юридической проверки.

Но значительная часть операций является намного более стандартной:

лицензия;

отчуждение;

изменение правообладателя;

регистрация заранее структурированной сделки.

В цифровой экономике несколько десятков рабочих дней становятся самостоятельной transaction cost.

Особенно если технология:

готова к инвестиционной сделке;

передается startup;

входит в производственный проект;

используется как обеспечение;

лицензируется сразу нескольким предприятиям.

Здесь возникает принципиальный вопрос:

почему юридическое перемещение технологического актива должно быть значительно медленнее экономического решения о его использовании?

Современный IP market требует перехода от обычной электронной подачи документов к:

machine-readable agreements;

автоматической проверке обязательных полей;

автоматической проверке правообладателя;

risk-based verification;

straight-through processing стандартных сделок;

человеческой экспертизе только там, где действительно существует юридическая сложность или риск.

Цель должна состоять не просто в:

«электронной регистрации».

Она должна состоять в:

почти мгновенной регистрации стандартной низкорисковой IP-сделки.

Патент должен быть не только юридически защищенным активом.

Он должен быть ликвидным технологическим активом, который можно быстро:

лицензировать;

передать;

внести в капитал;

использовать в инвестиционной сделке;

включить в промышленный consortium;

сделать частью более крупного patent portfolio.

Если юридическая транзакция занимает недели или месяцы, скорость рынка технологии ограничивается уже не технологией, а административным процессом.

63.22. Четырнадцать разрывов образуют не список, а систему

Каждый рассмотренный разрыв сам по себе важен.

Но главный риск состоит в другом.

Они усиливают друг друга.

Если business R&D относительно слаб,

то меньше патентов возникает непосредственно внутри компаний.

Если большая часть inventions возникает в университетах,

то необходим исключительно сильный technology transfer.

Если technology transfer слаб,

то патент остается у первоначального правообладателя.

Если перед началом R&D не выполнен patent landscape,

то исследование может идти в уже занятую область.

Если IP strategy начинается после публикации,

то часть международной protection opportunity теряется.

Если нет market map,

то непонятно, где вообще необходимо патентовать.

Если нет foreign-IP budget,

то сильное изобретение остается национальным патентом.

Если не строится patent family,

то protection легко обойти.

Если не проводится FTO,

то наличие собственного патента не гарантирует возможности выхода на внешний рынок.

Если университетский KPI считает заявку, а не commercialization,

то система рационально максимизирует заявки.

Если отсутствует nationwide inventory существующего patent stock,

то предприятия не знают, какие технологии уже доступны.

Если technology matching слаб,

то изобретатель и industrial problem не находят друг друга.

Если TTO недостаточно профессионален,

то потенциальная сделка не закрывается.

Если IP transaction требует чрезмерного времени,

то даже найденная технология медленнее становится частью бизнеса.

Получается замкнутый контур:

слабая corporate demand → university-heavy patent flow → слабый technology transfer → низкая commercialization → слабый licensing market → низкая экономическая отдача от IP → слабый спрос бизнеса на новые патенты.

Такой контур нельзя изменить одной субсидией на PCT.

Он требует изменения всей архитектуры.

63.23. Поэтому главная проблема России — не недостаток патентов

Это принципиальный вывод главы.

Неправильный диагноз звучал бы:

«Россия мало патентует».

Данные этого не подтверждают.

В стране существует:

значительный поток национальных заявок;

сотни тысяч действующих патентов;

сильная патентная активность университетов;

изобретательская база;

патентное ведомство;

система юридической охраны.

Настоящий диагноз другой:

Россия пока значительно слабее превращает созданное изобретение в международно защищенную, коммерчески используемую и стратегически значимую технологическую позицию.

Разрыв возникает не преимущественно в точке:

invention.

Он возникает в переходах:

invention → portfolio;

portfolio → international family;

family → product;

product → global market;

patent → license;

patent → standard;

knowledge → industrial power.

Следовательно, объектом государственной политики должен стать не патент как документ.

Объектом должна стать:

полная жизнь технологического интеллектуального актива — от возникновения идеи до международной экономической монетизации.

63.24. Российский Patent Conversion Funnel

Для управления системой необходимо видеть не одну итоговую цифру, а весь funnel.

Уровень 1. Inventions

Сколько потенциально сильных технических решений возникает?

Уровень 2. Protected Inventions

Какая часть получает качественную национальную protection?

Уровень 3. International Candidates

Какая часть имеет экономический смысл для международного рынка?

Уровень 4. International Families

Для скольких действительно создается PCT / foreign-oriented patent family?

Уровень 5. National Phase Depth

В скольких ключевых юрисдикциях protection реально продолжается?

Уровень 6. Product Integration

Какая часть патентов используется:

в продукте;

в технологии;

в производственном процессе?

Уровень 7. Commercialization

Какая часть:

лицензируется;

продается;

вносится в startup;

создает royalty;

используется в совместном предприятии?

Уровень 8. Strategic Leverage

Какая часть становится:

standard-essential;

частью patent pool;

барьером для конкурента;

основой экспортной технологии;

источником cross-licensing;

элементом национальной technological sovereignty?

Для каждого уровня должен измеряться не только stock.

Необходимо измерять:

conversion rate между уровнями.

Потому что национальная патентная система может создавать много входов

и очень мало глобальных выходов.

63.25. Патентный KPI необходимо перевернуть

Сегодня наиболее простой показатель:

сколько патентов получено?

Но он находится слишком рано в value chain.

Следующее поколение национальных KPI должно отвечать на другие вопросы.

Сколько российских inventions получили international families?

Сколько вошли в ключевые foreign jurisdictions?

Сколько используются предприятиями?

Сколько обеспечивают экспортные продукты?

Сколько принесли licensing revenue?

Сколько стали основой новых компаний?

Сколько вошли в международные standards?

Сколько создали blocking position относительно конкурентов?

Сколько защищают critical technologies?

Сколько патентов было прекращено, потому что дальнейшее поддержание не имело экономического смысла?

Последний показатель также важен.

Сильная IP system должна уметь не только создавать portfolio.

Она должна уметь:

отказываться от слабых активов и концентрировать ресурсы на сильных.

Поэтому целью не может быть:

максимальное количество действующих патентов.

Цель:

максимальная стратегическая и экономическая отдача от каждого рубля, вложенного в создание и защиту интеллектуальной собственности.

63.26. Главный международный разрыв можно представить как расстояние между двумя моделями

Российская слабая модель:

R&D → результат → национальный патент → отчет → архив.

Мировая сильная модель:

market/technology opportunity → patent intelligence → R&D → IP strategy → portfolio → international family → product/standard → global market → licensing/cross-licensing → reinvestment into R&D.

Проблема заключается не в одном отсутствующем звене.

Необходимо соединить всю цепочку.

63.27. Что именно должна изменить субпрограмма

Следовательно, задача следующего этапа состоит не в том, чтобы заставить Россию подавать в несколько раз больше патентных заявок механическим способом.

Такой подход способен даже ухудшить систему:

увеличить расходы;

создать слабые portfolios;

перегрузить TTO;

субсидировать ненужные foreign filings;

произвести новый слой неиспользуемой IP.

Необходима противоположная логика.

Сначала:

отбор сильнейших inventions.

Затем:

market intelligence.

Затем:

patent intelligence.

Затем:

portfolio architecture.

Затем:

международная protection только на экономически и стратегически значимых рынках.

Параллельно:

поиск enterprise/user/licensee.

После этого:

product, standard, licensing, export.

То есть Россия должна перейти:

от:

патентной активности

к:

патентной мощности.

63.28. Конечный диагноз

Россия уже располагает значительным научным, инженерным и патентным потенциалом.

Но между:

созданием знания

и:

получением глобальной экономической позиции

существует слишком много разрывов.

Поэтому ключевой резерв находится не только в создании большего количества inventions.

Он находится в повышении вероятности того, что сильное российское изобретение пройдет всю цепочку:

idea → invention → patent intelligence → protected portfolio → international family → product → standard → global market → licensing income → new R&D.

Если увеличить результативность каждого перехода, эффект будет мультипликативным.

Стране не обязательно увеличить число изобретений в десять раз,

чтобы получить в десять раз больше значимых международных technological assets.

Значительная часть результата может быть получена посредством:

лучшей селекции;

лучшей IP strategy;

лучшего corporate demand;

лучшего technology transfer;

лучшей международной защиты;

лучшего licensing;

лучшей связи патентов со standards;

лучшей связи знания с производством.

Именно здесь находится главный предмет субпрограммы-минимум.

Ее задача:

построить национальную систему, в которой каждое экономически значимое российское изобретение получает оптимальную юридическую защиту, быстро находит предприятие или рынок, превращается в продукт, лицензию, стандарт или стратегическую технологическую позицию и возвращает полученную стоимость в следующий цикл R&D.

Это уже не программа патентования.

Это:

национальная система превращения технологического знания в защищенную глобальную экономическую мощность.

***********

Глава 64. Субпрограмма-минимум

Цель пятилетней субпрограммы-минимум:

создать в России патентно-коммерциализационную систему уровня сегодняшних мировых лидеров, в которой сильное изобретение до начала публичного раскрытия получает профессиональную IP strategy, при необходимости — международную patent family, затем быстро находит предприятие, продукт, лицензиата, стандарт или иной экономический маршрут использования.

Главное слово здесь:

система.

Недостаточно:

увеличить число заявок;

субсидировать PCT;

создать еще один каталог патентов;

увеличить количество патентов университетов;

ускорить работу одного ведомства.

Необходимо изменить полный маршрут:

market/technology opportunity → patent intelligence → R&D → invention → IP strategy → patent family → FTO → product/license/standard → market → reinvestment.

При этом необходимо избежать двух ошибок.

Ошибка первая

Считать, что каждый российский патент необходимо международно защищать.

Нет.

International patent protection дорого.

Она оправдана только там, где существует:

рынок;

конкурент;

лицензионная возможность;

экспортный продукт;

стратегическая технология.

Ошибка вторая

Считать главным KPI количество выданных патентов.

Патент без:

продукта;

лицензии;

производственного использования;

стандарта;

переговорной позиции

может иметь очень небольшую экономическую ценность.

Поэтому главный принцип субпрограммы:

не максимизация patent count, а максимизация Patent Power.

Предлагается пакет из 24 стратегических мероприятий.

64.1. GLR-IP-MIN-01. Создать Национальную панель Patent Power

Россия должна управлять не одним показателем патентной активности.

Создается единый Patent Power Dashboard.

Он объединяет:

national invention applications;

PCT applications;

foreign-oriented patent families;

PCT national-phase entries;

географическую глубину family;

долю business applicants;

университетские patents;

корпоративные patents;

действующие patents;

лицензионные сделки;

assignment;

royalty income;

patent-backed finance;

product use;

standards participation;

SEP;

patent litigation;

technology transfer.

Для каждого показателя

определяются:

Россия;

мировой top-3;

top-10;

пятилетний target;

годовая trajectory;

ответственный институт.

Главное изменение

Государство перестает спрашивать только:

«сколько патентов получено?»

Оно начинает спрашивать:

«какую технологическую и экономическую позицию создали эти патенты?»

64.2. GLR-IP-MIN-02. Создать национальный Patent Conversion Funnel

Каждое значимое изобретение должно наблюдаться не в одной точке, а на всем жизненном цикле.

Стадии

invention disclosure;

patentability assessment;

national application;

PCT / foreign filing;

national phase;

grant;

product integration;

license;

assignment;

spin-off;

standard;

royalty;

export use.

Для каждой cohort измеряются:

количество активов;

доля перехода на следующую стадию;

среднее время перехода;

стоимость перехода;

причина прекращения.

Новый KPI

Patent Conversion Rate.

Необходимо видеть:

где именно российские inventions массово прекращают движение.

Если создано 1000 сильных inventions,

но только несколько десятков достигают международного рынка,

проблема находится не в invention creation.

Она находится внутри conversion funnel.

64.3. GLR-IP-MIN-03. Ввести обязательную экономическую селекцию international patent candidates

Нельзя финансировать international filing автоматически.

Для каждой потенциальной international family проводится оценка.

Пять вопросов

1. Какой рынок защищается?
2. Какой competitor должен быть ограничен?
3. Какой продукт использует invention?
4. Возможна ли licensing model?
5. Имеет ли технология стратегическое значение?

Результат:

Tier A — Global Strategic

Необходима широкая международная protection.

Tier B — Export Commercial

Защита на конкретных ключевых рынках.

Tier C — Domestic

Национальной защиты достаточно.

Tier D — No Patent

Рациональнее:

trade secret;

publication;

defensive disclosure;

либо отказ от дальнейших расходов.

Главный принцип:

не каждый invention заслуживает international family, но каждый сильный invention должен получить профессиональное решение о ней.

64.4. GLR-IP-MIN-04. IP strategy должна появляться до начала крупного R&D

Для значимых государственных и корпоративных R&D projects вводится обязательный IP Strategy Gate.

До основной стадии проекта анализируются:

prior art;

patent landscape;

competitors;

white spaces;

blocking patents;

стандарты;

trade-secret opportunities;

jurisdictions;

publication strategy.

Решение принимается:

до disclosure.

Не после статьи.

Не после конференции.

Не после демонстрации prototype.

Правило

Для крупного технологического проекта отсутствие IP strategy должно рассматриваться так же серьезно, как отсутствие:

технического задания;

бюджета;

плана испытаний.

64.5. GLR-IP-MIN-05. Сделать patent intelligence обязательным входом в R&D

Patent database должна использоваться как:

источник технического знания;

карта конкурентов;

карта technology trajectories;

инструмент поиска white spaces.

Создается национальная Patent Intelligence Platform.

Она должна позволять:

анализировать миллионы patent documents;

строить technology landscapes;

выявлять ускоряющиеся направления;

находить новых applicants;

отслеживать competitor portfolios;

выявлять citation networks;

определять свободные технологические пространства.

AI используется для

semantic search;

кластеризации;

сопоставления claims;

technology mapping;

competitor monitoring;

автоматического предварительного анализа.

Но юридическое решение остается за специалистом.

Цель

ни один крупный российский R&D programme не должен тратить годы на повторное изобретение уже известной технологии из-за отсутствия patent intelligence.

64.6. GLR-IP-MIN-06. Ввести обязательный Freedom-to-Operate Gate

Собственный patent не означает свободу продажи продукта.

Поэтому перед:

industrial pilot;

масштабированием;

экспортом;

крупной инвестицией

для приоритетных технологических продуктов проводится:

Freedom-to-Operate analysis.

Проверяется

blocking patents;

действующие claims;

jurisdiction;

expiration;

ownership;

licensing possibility;

design-around possibility.

Результат

один из четырех:

free to operate;

license required;

design-around required;

market entry temporarily blocked.

FTO становится частью product development,

а не экстренной юридической процедурой после получения претензии.

64.7. GLR-IP-MIN-07. Включить international IP budget в технологический проект

Если государство финансирует:

R&D;

prototype;

testing;

pilot,

но не финансирует обоснованную international protection,

оно может оплатить создание технологии,

которую затем невозможно эффективно защитить на внешнем рынке.

Поэтому в технологических проектах появляется отдельная бюджетная строка:

International IP Protection.

Она может включать:

PCT;

international search;

patent attorneys;

translations;

national phases;

maintenance;

FTO;

opposition;

defense.

Главное правило

Финансирование предоставляется не автоматически.

Каждая следующая стадия проходит новый:

commercial + legal stage gate.

64.8. GLR-IP-MIN-08. Создать Competitive International Patent Fund

Формируется специализированный фонд софинансирования сильнейших international patent families.

Он не оплачивает:

«международный патент каждому».

Он инвестирует в IP только после оценки:

technology;

market;

claims;

team;

competition;

commercialization route.

Финансирование по стадиям

Stage 1:

patentability + landscape.

Stage 2:

PCT.

Stage 3:

national phases.

Stage 4:

defense / licensing support.

Принцип

Чем ближе технология к коммерческому рынку,

тем выше должна быть доля:

компании;

инвестора;

licensee

в финансировании защиты.

64.9. GLR-IP-MIN-09. Управлять географией patent family как бизнес-решением

International patent family не должна строиться по принципу:

«патентуем везде».

Для каждой технологии определяется:

где находится рынок;

где находятся competitors;

где находится производство;

где возможен licensee;

где располагается технологическая цепочка.

После этого выбираются national phases.

Новый показатель

Patent Family Geographic Depth.

Но максимальное количество юрисдикций не является целью.

Правильная цель:

максимальная защита экономической ценности при минимально необходимой стоимости portfolio.

64.10. GLR-IP-MIN-10. Перейти от одиночного патента к Portfolio Architecture

Для high-value technologies должен проектироваться не один patent.

А система.

Она может включать:

core invention;

implementation;

production process;

materials;

software implementation;

control algorithms;

interfaces;

applications;

design-arounds.

Создается функция

Patent Portfolio Architect.

Такой специалист работает между:

R&D;

product management;

patent attorney;

market strategy.

Главный KPI

Не:

число patents.

А:

стоимость и сложность законного обхода portfolio конкурентом.

64.11. GLR-IP-MIN-11. Сделать российский business главным источником международной Patent Power

Долгосрочная патентная мощность не может в основном создаваться университетами.

Она должна возникать внутри компаний, которые одновременно:

проводят R&D;

создают продукт;

масштабируют производство;

экспортируют;

участвуют в standards.

Поэтому вводится программа:

Corporate IP Transformation.

Для ведущих технологических компаний проводится:

portfolio audit;

IP strategy audit;

internationalization audit;

FTO maturity assessment;

standards assessment;

licensing assessment.

Пятилетняя цель

Российский международный patent flow должен перейти к структуре, в которой бизнес является безусловно доминирующим applicant.

Промежуточный ориентир:

не менее 75–80% российского PCT-потока должно приходиться на business applicants.

Дальнейшая цель:

приближение к структуре мировых корпоративных patent leaders.

64.12. GLR-IP-MIN-12. Создать Corporate IP Function для технологического Mittelstand

Профессиональная IP strategy не должна быть привилегией нескольких крупнейших корпораций.

Средней технологической компании часто невозможно содержать:

десятки patent attorneys;

FTO team;

standards specialists;

international counsel.

Создаются shared IP services.

Компания получает доступ к

patent landscape;

portfolio architecture;

PCT support;

FTO;

licensing;

valuation;

standards intelligence.

Модель

региональный или отраслевой IP hub обслуживает одновременно множество компаний.

Таким образом:

небольшой размер компании не должен означать слабую IP strategy.

64.13. GLR-IP-MIN-13. Перевести университетские TTO на коммерческий KPI

Technology Transfer Office не должен измеряться количеством поданных заявок.

Его задача:

перемещение знания в экономику.

Основные KPI TTO

licenses;

industry adoption;

licensing revenue;

spin-offs;

industry contracts;

international families;

time-to-license.

Не основной KPI

patent count.

Если университет получил 500 патентов

и ни один не используется,

это не сильный technology transfer.

Новая модель

Сильные университеты создают собственный professional TTO.

Для небольших организаций создаются:

shared regional TTO;

sectoral TTO.

64.14. GLR-IP-MIN-14. Изменить KPI университетов и исследовательских институтов

Патент должен перестать быть конечной точкой государственного задания.

Вес показателей смещается:

от:

application / patent granted

к:

license;

product use;

industrial implementation;

spin-off;

royalty;

international family;

strategic standard.

Важное ограничение

Это не означает:

«каждый научный patent должен приносить деньги».

Фундаментальная наука имеет другую функцию.

Но если патент заявлен как:

прикладной;

технологический;

коммерциализируемый,

его дальнейшее использование должно измеряться.

64.15. GLR-IP-MIN-15. Создать прозрачную систему экономического участия автора

Исследователь должен заранее понимать:

что произойдет,

если созданная им technology принесет экономический результат.

Устанавливаются прозрачные модели распределения:

license revenue;

royalty;

equity;

spin-off proceeds.

Между:

автором;

research team;

лабораторией;

университетом;

TTO.

Цель

Коммерциализация должна стать:

не административной нагрузкой,

а:

экономически привлекательным продолжением создания знания.

64.16. GLR-IP-MIN-16. Провести National Patent Stock Review

Россия уже располагает большим stock действующих патентов.

До создания новых миллионов документов необходимо понять:

что находится в существующем portfolio.

Запускается масштабная инвентаризация прежде всего патентов:

университетов;

НИИ;

организаций с государственным финансированием;

государственных компаний.

Каждый patent получает статус

Used;

Licensable;

High Potential;

Strategic;

Dormant;

Obsolete.

Для перспективных

определяются:

technology;

market;

potential user;

company need;

TRL;

IP quality;

international potential.

Для слабых

принимается решение:

прекратить расходы на maintenance.

Это также является элементом эффективной patent policy.

64.17. GLR-IP-MIN-17. Создать AI Patent-to-Industry Matching

Обычный электронный каталог отвечает:

«какие патенты существуют?»

Предприятию нужен другой ответ:

«какая технология решит мою проблему?»

Создается двусторонняя система.

Предприятия загружают

technology problems;

import dependencies;

cost bottlenecks;

product requirements;

production constraints.

Система анализирует

российские patents;

research results;

laboratories;

technology portfolios.

AI предлагает

potential matches.

После автоматического matching начинается human validation:

engineer;

IP specialist;

technology transfer manager;

company.

Главный KPI

Не количество записей в database.

А:

число внедрений, возникших после matching.

64.18. GLR-IP-MIN-18. Создать National IP Deal Room

После обнаружения подходящей технологии предприятие не должно месяцами выяснять:

кто принимает решение;

кому принадлежат права;

можно ли получить лицензию;

какова цена;

какие документы необходимы.

Для готовых к коммерциализации assets создается цифровой Deal Room.

Он содержит

verified ownership;

license status;

technical description;

TRL;

available jurisdictions;

encumbrances;

контакт TTO;

предварительную valuation;

standard deal structures.

Возможные сделки

exclusive license;

non-exclusive license;

assignment;

option;

joint development;

spin-off.

Переход:

от каталога патентов — к рынку технологических активов.

64.19. GLR-IP-MIN-19. Создать стандарт быстрых IP-сделок

Для типовых низкорисковых сделок создаются:

standardized contracts;

machine-readable fields;

automatic ownership check;

automatic completeness check;

digital signing;

risk-based review.

Целевой SLA

Для стандартной корректно подготовленной сделки:

до 10 рабочих дней от подачи до регистрации

с дальнейшим сокращением срока по мере автоматизации.

Сложные сделки сохраняют:

human review.

Принцип

Скорость не должна достигаться снижением юридической надежности.

Она достигается:

стандартизацией;

цифровизацией;

предварительной проверкой;

разделением простых и сложных cases.

64.20. GLR-IP-MIN-20. Создать систему IP Valuation и IP-backed Finance

Патент, который невозможно:

оценить;

передать;

использовать как часть инвестиционной сделки,

остается малоликвидным активом.

Создается профессиональная инфраструктура:

IP valuation;

royalty forecasting;

portfolio due diligence;

IP collateral;

insurance;

investment assessment.

Банкам и инвесторам необходимы

единые данные о:

ownership;

legal status;

remaining term;

jurisdictions;

citations;

product linkage;

licensing history.

Цель

Сильный российский patent portfolio должен иметь возможность становиться:

предметом финансирования,

а не только строкой нематериальных активов.

64.21. GLR-IP-MIN-21. Соединить patent strategy и standards strategy

Для технологий, потенциально входящих в международные или отраслевые standards, создается единый маршрут:

R&D;

standardization;

patenting;

licensing.

Компания должна заранее понимать:

какие элементы будущего technical standard потенциально являются patentable;

где необходимо подать заявку;

когда можно раскрывать contribution;

какие disclosure obligations существуют.

Создается

Patent & Standards Office

для priority technology sectors.

Особенно:

telecommunications;

industrial protocols;

AI interfaces;

IoT;

energy technologies;

connected transport;

advanced manufacturing.

Цель

Россия должна не только соблюдать стандарты.

Она должна увеличивать число технологий, которые:

сами входят в стандарты.

64.22. GLR-IP-MIN-22. Развивать patent pools и cross-licensing

Некоторые технологические системы невозможно эффективно развивать как набор изолированных патентов.

Если десятки организаций владеют complementary IP,

необходимо создавать правовые механизмы:

patent pool;

cross-license;

joint licensing;

technology consortium.

Приоритет

отрасли с высокой взаимозависимостью технологий.

Но система должна иметь:

антимонопольные safeguards;

прозрачные правила;

недискриминационный доступ там, где это необходимо;

профессиональную valuation.

Эффект

Снижается:

transaction cost;

patent fragmentation;

риск взаимной блокировки.

64.23. GLR-IP-MIN-23. Создать национальный корпус IP-профессионалов

Patent Power невозможно создать только законом или платформой.

Нужны специалисты.

Ключевые профессии

patent attorney;

patent engineer;

IP strategist;

FTO analyst;

patent intelligence analyst;

technology transfer manager;

licensing manager;

IP valuation specialist;

standards/IP specialist;

international patent litigator.

Создается

единая программа профессиональной подготовки;

отраслевая специализация;

международное patent law training;

практика с реальными portfolios.

Особое внимание:

engineering + law.

Лучший IP specialist должен понимать не только legal text.

Он должен понимать:

technology + market + claim.

64.24. GLR-IP-MIN-24. Создать систему международной защиты российских IP-активов

Получить patent недостаточно.

Его необходимо уметь защищать.

Для стратегических portfolios создается система поддержки:

opposition;

invalidation proceedings;

patent litigation;

evidence preservation;

international counsel;

customs enforcement;

licensing disputes.

Решение принимается экономически

Не каждый спор необходимо вести до конца.

Оцениваются:

рынок;

стоимость технологии;

вероятность успеха;

размер потенциального ущерба;

strategic importance.

Главный принцип

патент, который правообладатель заведомо не способен защитить, создает значительно более слабую переговорную позицию.

64.25. Пятилетняя последовательность реализации

Субпрограмма не должна запускать все элементы хаотично.

Год 1. Измерить и стандартизировать

Patent Power Dashboard;

Patent Conversion Funnel;

IP Strategy Gate;

FTO standard;

методика international selection;

начало Patent Stock Review.

Год 2. Построить инфраструктуру

International Patent Fund;

Patent Intelligence Platform;

TTO reform;

Corporate IP Transformation;

shared IP services;

International IP Budget.

Год 3. Запустить рынок

AI Patent-to-Industry Matching;

National IP Deal Room;

standard contracts;

Fast Track registration;

IP valuation infrastructure.

Год 4. Усилить международную позицию

national-phase expansion;

standards strategy;

patent pools;

cross-licensing;

international enforcement.

Год 5. Достичь нового operating standard

Система должна работать как единый национальный:

IP operating system.

64.26. Главные пятилетние KPI

Исходная точка должна фиксироваться по единой методологии в первый год программы.

После этого устанавливаются следующие ориентиры.

PCT applications российского происхождения

Пятилетняя цель:

не менее 4000–5000 в год

при обязательном контроле quality и последующего движения в national phases.

Цель означает не искусственное увеличение filings.

Она предполагает появление значительно большего числа реально global-oriented technologies.

Business share в российском PCT

Цель:

не менее 75–80%.

International Patent Candidate Review

Цель:

100% крупных проектов с государственным технологическим финансированием проходят решение по international IP strategy до публичного disclosure.

Patent Intelligence

Цель:

100% крупных прикладных R&D projects проходят professional patent landscape до основной стадии финансирования.

Freedom to Operate

Цель:

100% приоритетных экспортных technological products проходят FTO до коммерческого выхода на соответствующий рынок.

Patent Stock Review

Цель:

полная инвентаризация патентных портфелей государственных университетов и исследовательских организаций.

Technology transfer

Цель:

значительное увеличение:

licenses;

industrial implementations;

spin-offs;

royalty income.

Для университетских portfolios главным показателем становится:

commercialization rate, а не patent count.

Внешний оборот IP

Цель:

не менее чем трехкратное увеличение числа экономически значимых сделок с IP на сопоставимой статистической базе.

Standard transaction time

Цель:

до 10 рабочих дней для стандартизированных низкорисковых сделок.

64.27. Главный KPI программы — не PCT

Это необходимо подчеркнуть отдельно.

Можно увеличить PCT filings

и не увеличить Patent Power.

Поэтому итоговый KPI должен быть составным.

Он включает:

international families;

national-phase depth;

business share;

product utilization;

licensing;

royalty;

standard participation;

IP-backed finance;

portfolio quality.

Потому что конечная цель:

не документ.

А:

защищенная экономическая позиция.

64.28. Как будет выглядеть российская patent system после программы-минимум

До реформы потенциально возможен маршрут:

researcher → invention → patent → report → неопределенный поиск пользователя.

После программы:

market/technology problem → patent intelligence → R&D → IP strategy → invention → portfolio → international protection → FTO → company/product → standard/license → market.

Для университета:

до:

patent count.

После:

technology adoption.

Для компании:

до:

юридический отдел оформляет patent.

После:

IP strategy является частью product strategy.

Для государства:

до:

сколько заявок подано?

После:

сколько глобальных технологических позиций создано?

64.29. Экономический смысл программы

International patent protection стоит денег.

Professional TTO стоит денег.

FTO стоит денег.

Patent litigation стоит денег.

Но отсутствие этих функций также имеет цену.

Оно может означать:

потерянный экспортный рынок;

копирование технологии;

неудачный выход продукта;

неполученную license revenue;

невыгодную переговорную позицию;

повторное финансирование уже известного R&D;

невозможность привлечь капитал под IP.

Поэтому расходы на качественную IP system следует сравнивать не с:

нулем.

А с:

экономической стоимостью технологической позиции, которую страна теряет без этой системы.

64.30. Конечная архитектура субпрограммы-минимум

Все 24 меры собираются в семь контуров.

Контур 1. Intelligence

Patent landscape;

competitive intelligence;

white-space analysis;

FTO.

Контур 2. Selection

market assessment;

international candidate selection;

portfolio strategy.

Контур 3. Protection

national patent;

PCT;

national phases;

portfolio architecture.

Контур 4. Commercialization

TTO;

AI matching;

Deal Room;

licensing;

spin-offs.

Контур 5. Corporate Patent Power

business applicants;

corporate IP functions;

international portfolios;

standards.

Контур 6. Market Infrastructure

fast transactions;

valuation;

finance;

patent pools.

Контур 7. Enforcement

legal defense;

international disputes;

portfolio maintenance;

strategic review.

Все вместе создают:

Russian Patent Conversion System.

64.31. Что именно догоняет программа-минимум

Она не должна изобретать принципиально новую модель мировой IP system.

Это задача следующей главы.

Программа-минимум воспроизводит уже доказанные элементы мирового frontier:

сильный corporate patenting;

international patent families;

профессиональный technology transfer;

patent intelligence;

FTO;

licensing;

IP finance;

standards strategy;

portfolio management.

То есть задача:

перестать системно терять экономическую ценность между российским изобретением и мировым технологическим рынком.

Если программа выполнена,

сильное российское invention больше не должно случайно:

остаться только национальным patent;

потерять novelty из-за ранней publication;

не получить international budget;

не найти предприятие;

не пройти FTO;

лежать в университетском архиве;

не дойти до licensee.

В системе мирового уровня каждый такой случай должен иметь:

видимую причину;

ответственного;

экономическое решение.

64.32. Переход к субпрограмме-максимум

Но даже идеальное выполнение программы-минимум пока означает:

Россия научилась делать то,

что уже умеют лучшие международные patent systems и крупнейшие технологические корпорации.

Она научилась:

искать;

отбирать;

защищать;

строить portfolios;

лицензировать;

коммерциализировать;

защищать права.

Это необходимо.

Но этого недостаточно для глобального лидерства.

Следующий вопрос намного сильнее:

можно ли превратить всю страну в систему, которая обнаруживает потенциально ценные inventions раньше рынка, автоматически проектирует оптимальную архитектуру IP, мгновенно соединяет изобретение с капиталом и производством и массово создает интеллектуальные активы для глобальной экономики?

То есть перейти:

от:

качественной patent system

к:

глобальной фабрике интеллектуальной собственности.

Это задача субпрограммы-максимум.

**************

Глава 65. Субпрограмма-максимум: глобальная фабрика интеллектуальной собственности

Субпрограмма-минимум решает задачу догоняющего развития.

Она создает систему, в которой:

patent intelligence предшествует R&D;

IP strategy возникает до disclosure;

сильные inventions получают international families;

компании проводят FTO;

университетские патенты находят предприятия;

technology transfer становится профессиональным;

IP быстрее лицензируется;

патентная стратегия соединяется со standards;

интеллектуальная собственность начинает использоваться как экономический актив.

Это необходимый мировой уровень.

Но глобальное лидерство требует другого вопроса.

Не:

как эффективнее патентовать уже созданные изобретения?

А:

можно ли построить систему, которая систематически обнаруживает еще не занятые технологические пространства, направляет туда R&D, помогает создавать сильные inventions, проектирует вокруг них международные portfolios и максимально быстро превращает эти portfolios в глобальные продукты, стандарты, лицензии и капитал?

То есть превратить патентную систему:

из:

системы регистрации результатов инноваций

в:

систему промышленного производства интеллектуальной собственности.

Именно такую систему предлагается создать.

Название:

Global IP Factory

или:

Глобальная фабрика интеллектуальной собственности.

65.1. Почему слово «фабрика» здесь уместно

Обычная фабрика берет:

сырье

и последовательно превращает его в:

готовый стандартизированный продукт.

Глобальная IP Factory работает аналогично.

Но ее сырьем являются:

научные результаты;

инженерные идеи;

данные;

технологические проблемы предприятий;

патентные landscapes;

рынки;

стандарты;

неудовлетворенный спрос;

white spaces мировой технологической системы.

На выходе возникают:

patent families;

trade secrets;

software IP;

industrial designs;

technology packages;

licensing portfolios;

standard-essential technologies;

spin-offs;

IP-backed financial assets.

То есть фабрика производит:

не патентные документы, а технологические права, обладающие экономической и стратегической ценностью.

65.2. Главный принцип: IP создается до патента

В традиционном представлении:

сначала возникает invention,

затем patent attorney пытается его защитить.

В модели IP Factory процесс начинается значительно раньше.

Сначала система определяет:

где существует будущий рынок;

какие технологические проблемы еще не решены;

где находится patent white space;

куда движутся конкуренты;

какие standards формируются;

какая technology trajectory ускоряется.

После этого формируется:

R&D challenge.

И только затем:

research;

engineering;

invention;

portfolio.

Таким образом:

патентная аналитика становится механизмом постановки исследовательских задач.

Это фундаментальный переход.

65.3. Мировой технологический фронтир уже движется в эту сторону

В 2026 году WIPO запустила AI-assisted search в PATENTSCOPE: пользователь может описывать задачу естественным языком, а система формирует структурированный патентный запрос.

European Patent Office уже применяет AI для:

pre-search;

classification;

file allocation;

поиска relevant prior art.

Параллельно WIPO развивает направление IP-backed finance — использование интеллектуальной собственности и связанных с ней денежных потоков в финансировании бизнеса.

Следовательно, отдельные части будущей архитектуры уже появляются.

Но пока они существуют преимущественно как:

отдельные search tools;

отдельные patent-office functions;

отдельные finance mechanisms;

отдельные marketplaces.

Новый frontier:

соединить их в единую end-to-end систему.

Особенно важно сделать это сейчас.

WIPO показывает, насколько быстро возникают новые технологические landscapes: число опубликованных GenAI patent families увеличилось примерно с 18,9 тыс. в 2024 году до 37,8 тыс. в 2025 году.

То есть окно между:

новой research trajectory

и:

переполненным patent landscape

может резко сокращаться.

Следовательно, выигрывает тот, кто раньше других обнаруживает frontier.

65.4. Главный продукт фабрики — Global IP Asset

Обычный patent является юридическим правом.

Global IP Asset представляет собой значительно более сложный объект.

Он включает:

core invention;

patent family;

claim architecture;

jurisdiction strategy;

FTO status;

market map;

competitor map;

standards map;

technical documentation;

valuation;

commercialization route;

potential licensees;

legal status;

financing history.

То есть вместо разрозненных файлов создается:

полный цифровой паспорт интеллектуального актива.

Назовем его:

IP Digital Twin.

65.5. IP Digital Twin

Для каждого стратегически значимого invention автоматически создается цифровой двойник.

Он постоянно обновляется.

Technology layer

Что делает технология?

Какие technical problems решает?

Каковы альтернативные implementations?

Patent layer

Какие claims защищают technology?

Какие families существуют?

Какие jurisdictions охвачены?

Competitive layer

Какие конкуренты находятся рядом?

Какие новые applications они подают?

FTO layer

Какие blocking patents существуют?

Market layer

Какие продукты и рынки используют technology?

Standards layer

Может ли invention войти в technical standard?

Financial layer

Какова вероятная экономическая ценность?

Transaction layer

Можно ли:

лицензировать;

продать;

внести в компанию;

использовать как collateral?

Сегодня эти данные часто существуют отдельно.

В IP Factory они становятся:

единым живым объектом управления.

65.6. GLR-IP-MAX-01. Создать Global Patent Genome

Мировая патентная информация представляет собой гигантский массив:

documents;

claims;

citations;

inventors;

applicants;

families;

technologies;

jurisdictions.

Но человеку невозможно полноценно читать миллионы новых документов.

Создается:

Global Patent Genome.

Это machine-readable graph мировой технологии.

Он связывает:

patent;

claim;

technology;

inventor;

company;

scientific paper;

product;

standard;

market.

Система должна отвечать

Кто приближается к нашей технологии?

Какие claims становятся наиболее распространенными?

Какие technology clusters быстро растут?

Где появляются новые entrants?

Какие patent families начинают формировать будущий industrial platform?

Global Patent Genome становится:

картой мировой технологической конкуренции в реальном времени.

65.7. GLR-IP-MAX-02. Создать Global White Space Radar

Обычный patent search ищет:

что уже существует.

White Space Radar ищет:

чего еще нет.

AI анализирует:

патенты;

scientific publications;

technical standards;

venture investments;

R&D programs;

product launches;

technology forecasts.

После этого выделяются пространства, где:

растет рынок;

существует нерешенная technological problem;

патентная плотность еще относительно невелика;

отсутствует сильный dominant portfolio.

Именно туда направляются:

R&D teams;

университеты;

corporate laboratories;

startups.

Это переворачивает логику.

Не:

исследовали — потом посмотрели patents.

А:

увидели свободную стратегическую зону — поставили исследовательскую задачу.

65.8. GLR-IP-MAX-03. Создать National Invention Radar

Многие inventions обнаруживаются слишком поздно.

Исследователь считает результат:

интересным экспериментом;

алгоритмом;

новым материалом;

улучшением конструкции.

Но не понимает его IP value.

Создается AI Invention Radar.

Он интегрируется с:

R&D project management;

laboratory notebooks;

engineering documentation;

prototype repositories;

research reports.

Система способна сигнализировать:

«этот результат потенциально содержит patentable invention».

После этого автоматически запускается:

preliminary prior-art check;

IP notification;

expert review.

Важное ограничение

AI не принимает окончательное решение о patentability.

Он выполняет:

early detection.

Это позволяет не потерять inventions до публикации.

65.9. GLR-IP-MAX-04. Создать Invention Copilot для каждого R&D-team

Researcher не должен становиться patent attorney.

Но рядом с исследователем постоянно должен существовать цифровой IP assistant.

Он отвечает:

какие похожие solutions уже существуют;

какие слова опасно раскрывать публично до filing;

какие parts invention могут иметь самостоятельную value;

где competitors;

какие alternatives стоит исследовать;

какие дополнительные experiments способны усилить будущие claims.

Иными словами:

IP intelligence входит непосредственно в рабочее место ученого и инженера.

65.10. GLR-IP-MAX-05. Автоматический Novelty Early Warning

До:

conference abstract;

article;

dissertation;

public demonstration;

website publication;

product launch

система автоматически проверяет:

не содержится ли в материале потенциально valuable invention,

для которого еще не принято IP decision.

Если риск существует:

publication временно получает предупреждение.

Человек принимает решение:

file;

publish;

trade secret;

defensive disclosure.

Цель

Практически исключить:

случайную потерю international patent opportunity из-за premature disclosure.

65.11. GLR-IP-MAX-06. AI Patent Landscape за минуты вместо недель

Первичный patent landscape должен перестать быть дорогой процедурой, применяемой только к крупнейшим проектам.

AI формирует preliminary landscape практически мгновенно:

top competitors;

closest families;

technology clusters;

claim density;

citation structure;

white spaces;

geographic distribution.

Затем high-value projects передаются экспертам.

Таким образом достигается:

массовость машины + качество профессионала.

Не:

AI вместо patent analyst.

А:

один сильный analyst, усиленный AI, способен анализировать на порядок больше проектов.

65.12. GLR-IP-MAX-07. Создать AI Portfolio Architect

После обнаружения invention необходимо определить:

что именно защищать.

AI строит дерево возможного portfolio:

core concept;

implementation;

manufacturing method;

material;

control system;

software element;

application;

interface;

design-around.

Затем patent strategist выбирает:

что действительно имеет value.

Задача

Перейти от:

одного invention — одного patent

к:

одного технологического преимущества — оптимально спроектированного protection architecture.

65.13. GLR-IP-MAX-08. Создать Claim Stress-Test Engine

До filing claims проходят цифровой stress test.

AI моделирует:

известный prior art;

вероятные objections;

alternative interpretations;

возможные design-arounds;

частичное invalidation;

конкурентные implementations.

Система задает вопрос:

«как конкурент попытался бы обойти этот claim?»

И делает это тысячи раз.

Patent attorney получает:

список потенциальных weaknesses.

Цель

Укреплять patent:

до спора,

а не обнаруживать дефект:

во время litigation.

65.14. GLR-IP-MAX-09. Создать Design-Around Simulator

Особенно сильный patent portfolio должен учитывать не только собственную technology.

Он должен моделировать:

что сделает конкурент,

если ему запретить основной route.

AI генерирует альтернативные:

designs;

processes;

architectures;

materials;

implementations.

После этого команда решает:

какие обходные пути также необходимо защитить.

Получается:

цифровая red-team атака на собственный patent portfolio.

65.15. GLR-IP-MAX-10. Создать автоматический Jurisdiction Optimizer

Выбор стран для patent family должен стать полноценной optimization task.

Учитываются:

market size;

competitors;

manufacturing locations;

supply chains;

enforcement quality;

standards;

licensees;

filing costs;

translation costs;

maintenance costs;

probability of commercialization.

Система формирует несколько вариантов:

minimum protection;

commercial protection;

strategic protection.

Окончательное решение принимает человек.

Эффект

Снижается одновременно:

under-patenting

и:

over-patenting.

65.16. GLR-IP-MAX-11. Создать Global Filing Factory

После утверждения portfolio начинается максимально автоматизированный filing process.

Единый structured invention file превращается в необходимые комплекты документов для разных jurisdictions.

Автоматизируются:

data transfer;

formal documents;

translations;

deadlines;

fee calculation;

family synchronization;

status monitoring.

Human patent attorneys концентрируются на:

claims;

legal judgment;

strategy.

Цель

устранить ручное переписывание одних и тех же данных между десятками процедур.

65.17. GLR-IP-MAX-12. Создать Legal-Grade Patent Translation Engine

Международная patent family требует большого объема перевода.

Обычный machine translation недостаточен,

потому что небольшое изменение термина может изменить:

claim scope.

Создается специализированная legal-technical translation system.

Она знает:

technology terminology;

claim language;

family consistency;

jurisdiction-specific vocabulary.

Но финальная проверка ключевых claims выполняется:

human specialist.

Цель

снизить стоимость international filing

без снижения:

legal quality.

65.18. GLR-IP-MAX-13. Создать Continuous FTO

Сегодня FTO часто выполняется:

однократно.

Но patent landscape меняется.

Конкуренты подают новые applications.

Claims изменяются во время examination.

Появляются continuations и divisional applications.

Поэтому для стратегических products создается:

Continuous FTO.

Система постоянно отслеживает:

новые families;

новые grants;

изменения claims;

ownership;

legal status.

Если появляется риск:

company получает alert.

FTO превращается:

из отчета

в:

постоянный sensor технологической свободы.

65.19. GLR-IP-MAX-14. Создать Competitor Patent Early Warning

Для priority sectors автоматически мониторятся portfolios:

ключевых компаний;

startups;

universities;

research organizations.

Система обнаруживает:

новые filings;

резкое изменение patent activity;

вход в новую technology domain;

покупку portfolios;

появление inventor cluster.

Это дает:

early strategic intelligence.

Компания должна узнать о потенциальном технологическом движении конкурента:

не после выхода продукта,

а:

по ранним сигналам его IP trajectory.

65.20. GLR-IP-MAX-15. Соединить science graph и patent graph

Scientific frontier часто появляется раньше patent frontier.

Поэтому фабрика объединяет:

scientific publications;

research teams;

citations;

grants;

patent applications.

AI ищет переход:

science → technology.

Например:

быстро растет новая scientific cluster;

появляется несколько engineering applications;

начинаются первые patent families.

Это сигнал:

может формироваться новая промышленная технологическая область.

Так государство и компании способны входить:

раньше.

65.21. GLR-IP-MAX-16. Создать Standards Opportunity Radar

Не каждое сильное invention должно только стать product feature.

Некоторые technologies способны стать:

частью standard.

Система анализирует:

standards committees;

draft specifications;

technical contributions;

patent landscapes;

future interoperability requirements.

AI показывает:

какие российские technologies потенциально могут стать частью будущих standards.

После этого синхронизируются:

R&D;

filing;

standard contribution;

licensing strategy.

Цель

переход от участия в стандартизации к проектированию IP для будущих стандартов.

65.22. GLR-IP-MAX-17. Создать SEP Factory

Для отраслей, где standards и patents тесно связаны, создается специализированный контур:

Standard Essential Patent Factory.

Он объединяет:

researchers;

standards engineers;

patent strategists;

licensing specialists.

Особенно:

telecommunications;

IoT;

industrial data;

connected transport;

energy systems;

AI interoperability.

Задача:

не просто получить patent.

А:

создать technology, без которой будущему standard сложно обойтись.

65.23. GLR-IP-MAX-18. Создать National Technology Problem Market

Сегодня R&D часто начинается:

со стороны исследователя.

Но фабрика должна иметь второй вход:

industrial problem.

Предприятия загружают:

production bottlenecks;

import dependence;

energy problems;

materials problems;

quality problems;

automation problems;

product requirements.

AI объединяет похожие задачи нескольких предприятий.

Если проблема повторяется много раз,

формируется:

National Technology Challenge.

На него могут отвечать:

universities;

startups;

engineering companies;

corporate R&D.

Это позволяет

создавать IP:

не в поисках рынка,

а:

с самого начала под реальный market demand.

65.24. GLR-IP-MAX-19. Перейти от Patent-to-Industry Matching к Problem-to-Invention Matching

Субпрограмма-минимум находит предприятие для существующего patent.

Максимум идет раньше.

Он берет:

problem предприятия

и автоматически ищет:

существующую technology;

недоиспользованный patent;

research team;

частично подходящее solution;

white space для нового invention.

Если готового решения нет,

система способна поставить R&D task.

Получается полный цикл:

problem → search → gap → R&D → invention → IP → deployment.

65.25. GLR-IP-MAX-20. Создать систему автоматического поиска cross-industry inventions

Многие технологии имеют ценность далеко за пределами отрасли, где появились.

Например:

sensor;

algorithm;

material;

control method

может быть создан для одной отрасли,

но иметь applications в пяти других.

AI анализирует:

functional properties,

а не только industry classification.

Он спрашивает:

«какие еще проблемы способен решить этот invention?»

Это создает:

новые licensing markets;

новые products;

новые patent families.

65.26. GLR-IP-MAX-21. Создать Global Licensee Radar

После появления сильного portfolio система автоматически ищет:

potential licensees

по всему миру.

Анализируются:

products;

patent portfolios;

supply chains;

R&D strategy;

acquisitions;

technology gaps.

Фабрика может сказать правообладателю:

«вот 37 компаний, для которых ваша technology потенциально имеет экономическую ценность».

Это радикально отличается от пассивной модели:

«разместим patent в каталоге и подождем».

65.27. GLR-IP-MAX-22. Создать AI Licensing Engine

Для стандартных licensing cases система формирует:

valuation corridor;

royalty models;

comparable transactions;

territory;

field of use;

exclusivity options;

minimum guarantees;

milestones.

Далее стороны могут быстро собрать:

term sheet.

Человек сохраняет контроль над:

pricing;

negotiation;

legal commitments.

AI снижает:

transaction cost.

65.28. GLR-IP-MAX-23. Создать глобальный IP Marketplace нового поколения

Обычный marketplace публикует:

объявление о patent.

Новый рынок должен работать как:

active matching system.

Он знает:

кто владеет technology;

кому technology нужна;

какой portfolio дополняет другой;

где имеется blocking patent;

где возможна cross-license.

Marketplace поддерживает:

license;

assignment;

option;

joint venture;

R&D partnership;

patent pool;

cross-license.

Главный продукт:

ликвидность IP.

65.29. GLR-IP-MAX-24. Создать IP Market Maker

Одна из главных проблем IP market:

редкость сделок.

Для недвижимости существует множество:

brokers;

valuers;

lenders;

databases.

Для patents рынок значительно менее ликвиден.

Создается профессиональная функция:

IP Market Maker.

Она не просто размещает asset.

Она:

ищет обе стороны;

структурирует deal;

помогает valuation;

снижает information asymmetry;

собирает portfolio;

организует auction;

создает licensing syndicate.

Цель

сделать сильный IP asset значительно легче продаваемым и лицензируемым.

65.30. GLR-IP-MAX-25. Создать IP Price Discovery

Без сделок трудно определить цену.

Без цены мало сделок.

Возникает замкнутый круг.

Создается anonymized transaction database.

Она собирает:

royalty rates;

upfront payments;

milestones;

technology;

jurisdiction;

exclusivity;

remaining patent term;

market size.

Конфиденциальные данные защищаются.

Но агрегированная статистика дает рынку:

benchmarks.

Эффект

уменьшается:

information asymmetry.

65.31. GLR-IP-MAX-26. Создать National IP Valuation Engine

Valuation не может быть одной универсальной цифрой.

Один portfolio может иметь разную ценность:

для производителя;

для licensee;

для competitor;

для investor.

Поэтому AI valuation строит несколько сценариев:

income;

market;

replacement;

strategic;

licensing.

Человек-аудитор подтверждает:

high-value transactions.

Главный принцип

AI создает valuation intelligence, а не юридически бесспорную «истинную цену».

65.32. GLR-IP-MAX-27. Создать полноценный рынок IP-backed finance

WIPO уже рассматривает использование patents и других intangible assets или связанных с ними revenue streams для обеспечения финансирования; при этом остаются проблемы valuation, disclosure, liquidity и risk assessment.

Глобальная IP Factory должна сделать следующий шаг.

Создаются:

IP-backed loans;

portfolio finance;

royalty-backed finance;

insurance;

guarantees;

specialized funds.

Для lender доступен:

IP Digital Twin;

legal status;

valuation;

revenue history;

market assessment;

risk score.

Цель

Сильный IP превращается:

из актива,

который существует только на бумаге,

в:

источник капитала для следующего технологического цикла.

65.33. GLR-IP-MAX-28. Создать Patent Portfolio Fund

Некоторые strong inventions могут быть слишком малы для самостоятельной финансовой сделки.

Но 50–100 взаимодополняющих patents могут создать:

ценный portfolio.

Создаются специализированные funds, которые:

покупают;

лицензируют;

консолидируют;

международно защищают;

коммерциализируют

IP portfolios.

Особенно:

университетские;

startup;

SME.

Это создает профессионального:

industrial owner of IP.

65.34. GLR-IP-MAX-29. Создать Patent Insurance

Один из факторов слабой ликвидности IP:

uncertainty.

Существует риск:

invalidation;

litigation;

enforcement costs;

ownership dispute.

Для определенных categories развиваются:

patent enforcement insurance;

defense insurance;

transaction warranty insurance.

Страховщик получает доступ к:

IP Digital Twin;

risk analytics.

Это повышает:

bankability

и:

transaction confidence.

65.35. GLR-IP-MAX-30. Создать Litigation Digital Twin

До международного patent dispute стороны должны понимать:

risk.

AI моделирует:

claim construction;

prior art;

jurisdiction;

potential invalidity;

likely arguments;

design-around;

damages scenarios.

Это не заменяет:

court;

lawyer.

Но помогает принимать экономическое решение:

litigate;

settle;

license;

cross-license;

design around.

Цель

превратить patent litigation из максимально неопределенного события в управляемый риск.

65.36. GLR-IP-MAX-31. Создать Global Patent Defense Network

Российская technology не должна терять международную value из-за того, что небольшой правообладатель не способен финансировать спор.

Для strategic portfolios формируется network:

international patent firms;

technical experts;

litigation finance;

forensics;

valuation;

negotiators.

При необходимости запускается:

co-financed enforcement.

Не государство ведет каждый коммерческий спор.

Оно создает:

инфраструктуру, в которой сильный правообладатель способен защищать сильный asset.

65.37. GLR-IP-MAX-32. Создать Global IP Acquisition Radar

Глобальная Patent Power может расти не только через собственное invention creation.

Компании постоянно:

продают patents;

закрывают направления;

банкротятся;

разделяют portfolios;

меняют strategies.

Система выявляет:

недооцененные international portfolios,

которые стратегически дополняют российские technologies.

После анализа возможно:

acquisition;

license;

joint venture;

cross-license.

Принцип

глобальная technological position иногда быстрее покупается, чем создается с нуля.

65.38. GLR-IP-MAX-33. Создать Reverse Patent Engineering System

Patent intelligence должна отвечать не только:

что защищено?

Но и:

какие engineering capabilities скрываются за portfolio?

AI восстанавливает:

technology stack;

likely product roadmap;

research priorities;

dependency structure.

Это позволяет:

лучше понимать competitor strategy.

Разумеется:

только на основе легально доступной информации.

65.39. GLR-IP-MAX-34. Создать National Patent Challenge

Для важнейших technologies государство может формулировать:

не только R&D target,

но и:

Patent Power Target.

Например:

создать к определенному сроку:

сильный portfolio;

international families;

FTO position;

standard contributions;

commercial licensees.

То есть результатом проекта становится:

не только prototype,

а:

защищенная технологическая позиция.

65.40. GLR-IP-MAX-35. Ввести IP-by-Design для всех стратегических технологий

Так же как существует:

security-by-design,

должен возникнуть:

IP-by-Design.

При создании:

AI system;

robot;

new material;

industrial machine;

medical platform;

energy technology

IP architecture проектируется одновременно с:

product architecture.

Это включает:

patents;

trade secrets;

software rights;

data rights;

standards;

branding;

contracts.

Цель

Не защищать product после разработки.

А:

проектировать product так, чтобы его экономическое преимущество было защищаемым с самого начала.

65.41. GLR-IP-MAX-36. Создать Global Inventor Gateway

Если Россия строит лучшую IP infrastructure мира,

ею должны пользоваться:

не только российские inventors.

Создается международный сервис:

Global Inventor Gateway.

Он предлагает:

patent intelligence;

portfolio design;

international filing management;

valuation;

licensing;

industry matching;

finance.

Российская система начинает привлекать:

inventors;

startups;

research teams

из других стран.

Новый источник экспорта

Не только российский patent выходит в мир.

Россия экспортирует:

саму услугу создания и коммерциализации глобального IP.

65.42. GLR-IP-MAX-37. Россия как IP jurisdiction

Следующий уровень:

создать репутацию юрисдикции, где:

IP ownership прозрачно;

transaction быстрая;

court predictability высокая;

licensing удобно;

valuation профессионально;

finance доступно;

portfolio легко управлять.

В результате международная компания может решить:

«часть своего IP-бизнеса удобнее структурировать через российскую инфраструктуру».

Это уже конкуренция:

не количеством patents,

а:

качеством IP jurisdiction.

65.43. GLR-IP-MAX-38. Создать Global Technology Licensing Center

Россия может стать площадкой не только для национальных licensing deals.

Создается международный центр:

technology licensing;

patent pools;

cross-border portfolios;

technical arbitration;

valuation;

royalty analytics.

Специализация может начинаться с областей, где существует российская technological competence.

Цель:

часть мировой торговли технологиями должна проходить через российскую IP infrastructure.

65.44. GLR-IP-MAX-39. Создать AI-IP Professional нового поколения

Автоматизация не уничтожает IP professions.

Она резко повышает требования к ним.

Специалист будущего должен сочетать:

engineering;

patent law;

AI tools;

market analysis;

finance;

standards.

Возникают новые профессии:

Patent Portfolio Architect;

IP Data Scientist;

Technology Rights Engineer;

AI FTO Analyst;

Standards Patent Strategist;

IP Market Maker.

Человек перестает тратить основное время

на:

поиск документов;

копирование данных;

routine classification.

Он концентрируется на:

judgment, strategy и negotiation.

65.45. GLR-IP-MAX-40. Создать Национальную AI-АСУ интеллектуальной собственности

Все предыдущие системы нельзя оставлять разрозненными.

Создается единая:

AI-АСУ Global IP Factory.

Она объединяет:

Global Patent Genome;

White Space Radar;

Invention Radar;

Invention Copilot;

Patent Intelligence;

Portfolio Architect;

Claim Stress Test;

Jurisdiction Optimizer;

Continuous FTO;

Standards Radar;

Licensee Radar;

IP Marketplace;

Valuation;

Finance;

Litigation Intelligence.

Это не один гигантский monolithic software product

Архитектура должна быть:

modular;

API-based;

secure;

federated там, где необходима confidentiality.

Главная функция

управление полной цепочкой:

problem → knowledge → invention → protected IP → market power.

65.46. Как должна работать фабрика: пример

Предприятие формулирует проблему:

новый industrial compressor должен потреблять на 15% меньше энергии.

Шаг 1

Technology Problem Market анализирует запрос.

Шаг 2

Patent Genome показывает существующие решения.

Шаг 3

White Space Radar выявляет несколько незанятых technical approaches.

Шаг 4

Система находит три российские research teams с релевантной компетенцией.

Шаг 5

Формируется R&D challenge.

Шаг 6

Во время исследований Invention Radar обнаруживает потенциальный invention.

Шаг 7

Portfolio Architect предлагает:

core patent;

control algorithm;

manufacturing method;

sensor architecture.

Шаг 8

Claim Stress Test ищет слабости.

Шаг 9

Jurisdiction Optimizer предлагает:

три ключевых рынка.

Шаг 10

FTO system проверяет blocking patents.

Шаг 11

Prototype подтверждает результат.

Шаг 12

Technology входит в product.

Шаг 13

Licensee Radar обнаруживает еще несколько иностранных manufacturers.

Шаг 14

Заключаются лицензии.

Шаг 15

Royalty cash flow используется для следующего R&D cycle.

Это и есть:

промышленное производство интеллектуальной собственности.

65.47. Фабрика должна быть закрытым циклом

Обычная patent system линейна.

Patent подан.

Patent получен.

Процесс завершен.

IP Factory циклична.

Доход от:

product;

license;

royalty;

assignment;

IP-backed finance

возвращается в:

new R&D;

new inventions;

new portfolios.

Одновременно market data возвращается:

в White Space Radar.

Получается self-improving system.

Чем больше сделок она проводит,

тем лучше понимает:

где настоящая IP value.

65.48. Почему AI является здесь не дополнительным инструментом

Мировая patent system уже слишком велика для полностью ручного анализа.

Ежегодно возникают:

миллионы applications;

огромные scientific corpora;

новые standards;

новые products;

новые competitors.

При этом technological competition ускоряется.

AI необходим для:

масштаба;

скорости;

semantic search;

continuous monitoring;

matching;

simulation.

Но существует принципиальное ограничение.

AI не должен автономно принимать окончательные юридические решения о

patentability;

claim scope;

infringement;

FTO;

valuation;

litigation.

Он формирует:

analysis;

options;

warnings;

simulations.

Ответственность сохраняется:

за профессионалом.

Именно такой human-centric подход уже используется при интеграции AI в патентный процесс EPO.

65.49. Главный риск: фабрика слабых патентов

Автоматизация может дать противоположный результат.

AI резко снизит стоимость:

drafting;

search;

filing.

Тогда возникает соблазн создать:

миллионы слабых applications.

Это будет катастрофой.

Система получит:

расходы;

noise;

низкое качество;

экспертную перегрузку.

Поэтому IP Factory должна иметь главный фильтр:

economic and strategic value before filing volume.

Нельзя измерять ее успех:

числом автоматически подготовленных patent applications.

65.50. Второй риск: AI hallucination в юридически чувствительном контуре

Patent work требует:

точности.

Ошибка в:

prior art;

claim;

translation;

legal status;

jurisdiction rule

может стоить огромных денег.

Поэтому каждый AI output получает:

source traceability;

confidence level;

human verification requirement.

Для critical decisions:

human sign-off обязателен.

65.51. Третий риск: утечка invention до filing

Система будет работать с:

еще неопубликованными inventions;

trade secrets;

strategic R&D.

Это один из самых чувствительных типов данных.

Поэтому необходимы:

sovereign compute;

strict access control;

confidentiality zones;

audit logs;

data separation;

encryption;

on-premise models для critical organizations.

Принцип:

интеллектуальная фабрика не должна становиться крупнейшей точкой утечки интеллектуальной собственности.

65.52. Четвертый риск: автоматизация patent trolling

Высокая ликвидность IP может стимулировать:

покупку слабых patents

исключительно ради:

aggressive litigation.

Поэтому marketplace и государственная инфраструктура не должны стимулировать:

abusive enforcement.

Необходимы:

quality filters;

transparent ownership;

competition safeguards;

anti-abuse rules.

Цель:

коммерциализация технологии,

а не:

превращение litigation в самостоятельную национальную business model.

65.53. Пятый риск: государство начинает выбирать каждое invention

Глобальная IP Factory не должна означать:

централизованное государственное решение,

что именно необходимо изобретать.

Большая часть innovation должна оставаться:

децентрализованной;

corporate;

entrepreneurial;

scientific.

Государство создает:

data;

platforms;

funding instruments;

rules;

shared infrastructure.

Рынок и research community создают:

основную массу решений.

65.54. Новый benchmark: Time-to-Global-IP

Сегодня часто измеряется:

количество applications.

Новый показатель:

Time-to-Global-IP.

Он измеряет время:

от подтвержденного invention

до:

профессионально спроектированной international protection architecture.

Для fast-moving industries это может стать критическим показателем.

Цель

Для high-priority invention:

предварительная IP assessment — часы;

preliminary landscape — часы;

strategic review — дни;

filing-ready decision — дни, а не месяцы.

65.55. Второй benchmark: Time-to-License

Измеряется время:

от готовности technology к external commercialization

до:

первой market transaction.

Сегодня patent может искать buyer годами.

Цель IP Factory:

радикально сократить этот период посредством active matching.

65.56. Третий benchmark: IP Utilization Rate

Необходимо измерять:

какая доля high-value patent portfolios реально используется:

в product;

manufacturing;

license;

standard;

spin-off.

Именно этот показатель показывает:

работает ли фабрика.

65.57. Четвертый benchmark: Global Patent Family Quality

Количество PCT недостаточно.

Индекс должен учитывать:

national-phase depth;

family geography;

claim strength;

legal survival;

product linkage;

licensing;

standards;

citations;

commercial value.

То есть система стремится:

не к максимальному international filing,

а:

к максимальной международной экономической эффективности portfolio.

65.58. Пятый benchmark: Royalty Export

Один из самых сильных показателей технологической экономики:

способна ли страна экспортировать:

не только товар,

но:

право использовать технологию.

Поэтому измеряется:

foreign licensing revenue;

royalty inflow;

technology licensing balance;

international licensees.

Долгосрочная задача:

Россия должна стать:

крупным нетто-экспортером технологической интеллектуальной собственности.

65.59. Шестой benchmark: Standards Patent Power

Измеряется:

число российских international patent families,

которые:

используются в standards;

входят в patent pools;

являются SEP;

создают licensing revenue.

Это один из наиболее высоких уровней Patent Power.

65.60. Седьмой benchmark: IP Capital Mobilization

Измеряется:

какой объем капитала привлекается благодаря IP.

Включая:

equity;

debt;

IP-backed loans;

portfolio finance;

royalty finance.

Это показывает:

насколько интеллектуальная собственность действительно стала:

экономическим активом.

65.61. Восьмой benchmark: White-Space-to-Invention

Самый новый показатель.

Он измеряет:

способна ли система после обнаружения promising technological white space

создать:

R&D project;

invention;

portfolio.

То есть впервые оценивается:

не только коммерциализация уже созданного знания, но скорость целенаправленного создания новой IP value.

65.62. Пятилетняя последовательность создания Global IP Factory

Год 1. Data foundation

Global Patent Genome;

единая patent data architecture;

IP Digital Twin standard;

security architecture;

Patent Intelligence API.

Год 2. AI intelligence

White Space Radar;

Invention Radar;

Invention Copilot;

Portfolio Architect;

Continuous FTO;

Competitor Early Warning.

Год 3. Transaction layer

Global Licensee Radar;

AI Licensing Engine;

IP Marketplace;

IP Market Maker;

transaction data;

valuation engine.

Год 4. Capital and standards layer

IP-backed finance;

Patent Portfolio Funds;

insurance;

Standards Radar;

SEP Factory;

Global Patent Defense Network.

Год 5. Globalization

Global Inventor Gateway;

international licensing center;

cross-border IP services;

российская IP infrastructure начинает обслуживать:

foreign inventors;

foreign startups;

international portfolios.

65.63. Главные пятилетние цели

К концу пятилетия Россия должна обладать не просто улучшенным patent office.

Должна существовать национальная infrastructure, способная:

автоматически анализировать мировой patent frontier;

обнаруживать technology white spaces;

сопровождать researchers до disclosure;

проектировать portfolios;

ускорять international protection;

проводить continuous FTO;

искать standards opportunities;

находить licensees;

структурировать transactions;

оценивать IP;

привлекать capital;

поддерживать enforcement.

Критический qualitative target

Для любого high-value Russian invention ответ на вопросы:

что защищать;

где защищать;

зачем защищать;

от кого защищать;

кому лицензировать;

каков рынок;

каков FTO;

может ли technology войти в standard

должен появляться:

не через месяцы ручного поиска, а практически в режиме реального времени с последующей профессиональной верификацией.

65.64. Россия как мировой производитель IP

На первом этапе фабрика помогает:

российским researchers;

universities;

startups;

companies.

На втором:

ее infrastructure становится экспортируемой.

Иностранная команда может прийти в систему с:

invention

и получить:

global landscape;

portfolio strategy;

filing route;

market map;

licensee search;

valuation;

finance.

То есть возникает новый вид экспорта:

IP infrastructure as a service.

65.65. Почему Россия потенциально способна построить такую фабрику

Для этого необходимы:

сильная mathematics;

engineering;

AI;

large domestic market;

scientific infrastructure;

industrial demand;

единые крупные datasets;

возможность строить национальные digital platforms.

Особенно важен:

scale effect.

Для маленькой innovation system дорого создавать отдельную:

AI Patent Intelligence Platform;

valuation infrastructure;

standards intelligence;

global deal room.

Для большой экономики такая infrastructure обслуживает:

тысячи организаций

и:

десятки тысяч проектов.

Средняя стоимость на один invention резко уменьшается.

65.66. Связь с другими субпрограммами

Global IP Factory не может существовать отдельно.

Она соединяется с:

Глобальной инновационной системой

идея превращается в product.

Мировой системой R&D

white spaces превращаются в research tasks.

AI-лидерством

AI становится intelligence layer фабрики.

Сложной экономикой

создаются более технологически сложные products.

Промышленной конкурентоспособностью

patents защищают industrial advantage.

Стартап-экосистемой

IP становится активом new company.

Финансовым центром

IP получает liquidity и capital.

Университетами мирового класса

research превращается в technology portfolios.

Таким образом Patent Power становится:

соединительным механизмом между знанием и экономической мощностью.

65.67. Минимум и максимум — принципиальная разница

Субпрограмма-минимум спрашивает:

как не потерять сильное invention?

Субпрограмма-максимум:

как системно производить больше сильных inventions именно там, где возникнет будущая экономическая ценность?

Минимум строит:

professional patent system.

Максимум:

intellectual property production system.

Минимум догоняет:

Huawei;

Samsung;

Qualcomm;

лучшие TTO;

лучшие patent offices.

Максимум пытается создать:

инфраструктуру, которой в полном end-to-end виде сегодня нет ни у одной страны.

65.68. Новый мировой стандарт

Если программа будет реализована полностью,

самый сильный показатель России должен состоять не в том, что:

она подает больше всех patent applications.

Это слишком примитивная цель.

Новый мировой benchmark будет другим:

ни одна крупная экономика не способна быстрее России обнаружить перспективное технологическое пространство, превратить его в сильное invention, создать международно защищенный portfolio, соединить его с продуктом и капиталом и вывести интеллектуальную собственность на глобальный рынок.

Тогда Россия становится:

не только производителем:

нефти;

металлов;

оборудования;

software;

научных результатов.

Она становится крупным производителем:

юридически защищенного технологического знания.

65.69. Конечная модель

Сегодня традиционный патентный цикл выглядит:

research;

invention;

patent;

иногда commercialization.

Модель Global IP Factory:

market signal;

technology intelligence;

white space;

R&D challenge;

research;

invention detection;

portfolio architecture;

international protection;

continuous FTO;

product;

standard;

license;

finance;

global market;

new R&D.

Главное изменение заключается в том,

что:

IP strategy перестает находиться после изобретения.

Она охватывает:

весь технологический цикл.

От первого сигнала о:

будущей technological opportunity

до:

последнего royalty payment.

65.70. Конечная цель субпрограммы-максимум

Необходимо построить систему, в которой:

лучшее изобретение не теряется;

слабое изобретение не получает лишнее финансирование;

сильный patent не остается без пользователя;

international family не создается без market logic;

R&D не начинается без patent intelligence;

product не выходит без FTO;

standardization не существует отдельно от IP;

патентный актив не остается без оценки;

лицензируемая technology не остается без поиска buyer;

ценный portfolio не остается без доступа к capital.

Но даже это лишь первый уровень.

Главный leapfrog состоит в другом:

сама национальная система начинает целенаправленно находить будущие пространства технологической ценности и организовывать создание интеллектуальной собственности внутри этих пространств раньше глобальных конкурентов.

Тогда патентная система превращается:

из:

регистратора прошлого R&D

в:

радар, конструктор и фабрику будущего технологического превосходства.

Именно это и означает:

глобальная фабрика интеллектуальной собственности.

********************

ЧАСТЬ XVI. СУБПРОГРАММА «МИРОВОЕ НАУЧНОЕ ЛИДЕРСТВО»

Глава 66. Страны-лидеры научной результативности и цитируемости

Научное лидерство нельзя измерить количеством статей.

Статья может:

никогда не быть процитирована;

повторять уже известный результат;

появиться в слабом журнале;

не изменить дальнейшую trajectory своей области;

не создать новой технологии;

не подготовить новую научную школу.

Но одна работа может:

открыть новое направление;

создать новый метод;

изменить научный consensus;

стать основой тысяч последующих исследований;

привести к новому классу технологий;

создать международную research school.

Поэтому главным объектом этой части является не:

publication activity.

А:

Scientific Power — способность национальной научной системы систематически создавать новое знание, которое признается мировым научным сообществом, формирует последующие исследования и становится основанием будущих технологических возможностей.

Именно с этой позиции необходимо определить мировой frontier.

66.1. Почему число публикаций недостаточно

Самый простой научный показатель:

сколько статей публикует страна?

Он важен.

Большая современная научная система действительно должна иметь:

университеты;

исследовательские институты;

лаборатории;

ученых;

аспирантов;

научные журналы;

устойчивый поток результатов.

Но publication count сильно зависит от:

численности научного сообщества;

размера экономики;

отраслевой структуры;

правил академической карьеры;

дисциплины;

индексации базы данных;

международного соавторства;

стимулов к публикации.

Кроме того, современная наука сталкивается с:

paper mills;

гиперпродуктивным authorship;

citation cartels;

excessive self-citation;

публикационным дроблением результатов;

автоматизированным созданием низкокачественных материалов.

Поэтому NSF прямо предупреждает, что gross publication counts сами по себе могут вводить в заблуждение, и дополняет их показателями высокоцитируемых публикаций.

Следовательно:

publication quantity необходимо измерять, но нельзя превращать в конечный KPI научной системы.

66.2. Минимальная система измерения научного лидерства

Для международного benchmark необходимы как минимум восемь уровней.

1. Publication Output

Сколько научных работ производится?

2. Field-Normalized Citation Impact

Насколько часто работы цитируются относительно мировой нормы своей области?

3. Highly Cited Articles

Какова доля работ страны в top-10%, top-1% и наиболее высокоцитируемом слое?

4. High-Quality Journal Output

Какова позиция страны в selective journal systems типа Nature Index?

5. Highly Cited Researchers

Сколько ученых страны входит в глобальную верхушку по научному влиянию?

6. Frontier Institutions

Сколько университетов и исследовательских организаций систематически создают high-impact science?

7. International Scientific Network

Насколько страна является узлом международного collaboration graph?

8. Scientific Renewal

Создает ли система новые:

research fields;

research groups;

scientific leaders;

doctoral cohorts?

Только совокупность этих показателей дает картину:

Scientific Power.

66.3. Размер современной мировой науки

По данным NSF Science and Engineering Indicators 2026, основанным на Scopus, в 2024 году в мире было опубликовано около:

3,526 млн научных и инженерных статей.

Три страны обеспечили примерно половину мирового потока:

Страна	Публикации, 2024	Доля мира
Китай	1 078 580	около 31%
США	439 892	около 12%
Индия	258 469	около 7%

Для сравнения:

Германия — около 109 тыс.;

Великобритания — около 100 тыс.;

Япония — около 98 тыс..

Подсчет NSF здесь fractional: международная статья распределяется между странами пропорционально участию авторов.

Главный структурный сдвиг последних десяти лет:

центр мировой науки по абсолютному объему публикаций переместился в Азию.

66.4. Китай: крупнейшая публикационная система мира

Еще в 2014 году:

США публиковали около 428 тыс. работ;

Китай — около 379 тыс.

К 2024 году:

США — около 440 тыс.;

Китай — более 1,078 млн.

То есть за десятилетие американский publication output изменился относительно умеренно,

а китайский:

почти утроился.

Это один из крупнейших сдвигов в истории современной науки.

Но особенно важно другое.

Китай больше нельзя описывать как страну, которая:

«публикует много, но только в среднем сегменте».

Последние indicators показывают быстрое движение Китая одновременно:

по количеству;

по высокоцитируемости;

по Nature Index;

по числу ведущих ученых;

по силе research institutions.

То есть происходит:

переход от scale leadership к сочетанию scale + quality.

66.5. Китай уже лидер Nature Index

Nature Index Research Leaders 2026 анализирует публикации 2025 года в 178 отобранных высококачественных научных изданиях.

По его основному показателю Share страны расположились следующим образом:

Место	Страна	Share 2025
1	Китай	52 735
2	США	26 006
3	Германия	5 827
4	Великобритания	4 820
5	Япония	3 890

Далее идут:

Франция;

Республика Корея;

Индия;

Канада;

Италия.

За один только год китайский Share вырос еще примерно на:

22,4%.

Американский:

примерно на 4,2%.

Следовательно, в этом selective high-quality publication universe Китай уже имеет не небольшое преимущество.

Разрыв с США превышает:

два раза.

Это новая мировая реальность.

66.6. Что именно измеряет Nature Index

Nature Index нельзя превращать в универсальный рейтинг науки.

Это принципиально важно.

Он анализирует не все мировые журналы,

а отобранный набор:

178 publications

в:

natural sciences;

health sciences;

applied sciences;

social sciences.

Nature Index отдельно предупреждает:

его показатели:

не нормализованы по размеру страны;

охватывают только часть мировой литературы;

не должны самостоятельно использоваться как единственная оценка научного качества.

Но именно поэтому показатель полезен.

Он отвечает не на вопрос:

«кто публикует больше всего вообще?»

А дает еще один фильтр:

«какие страны особенно сильно представлены в selective high-quality research literature?»

66.7. Китай особенно силен в natural и applied sciences

Nature Index 2026 показывает еще более важную структуру.

В natural sciences:

Китай — 1-е место;

США — 2-е;

Германия — 3-е;

Япония — 4-е;

Великобритания — 5-е.

В applied sciences преимущество Китая еще больше.

Китайский Share 2025 составляет около:

18 824

против:

3736 у США.

Следом идут:

Республика Корея;

Германия;

Великобритания;

Япония.

Это важно для программы глобального лидерства.

Современная китайская scientific system особенно сильно соединяет:

science;

engineering;

materials;

energy;

manufacturing;

technology.

То есть scientific power непосредственно сопрягается с:

industrial power.

66.8. Но США сохраняют особую позицию на самом узком frontier

Если ограничить Nature Index только публикациями в:

Nature

и:

Science,

картина резко меняется.

В 2025 году:

Место	Страна	Nature & Science Share
1	США	938,09
2	Китай	295,16
3	Великобритания	160,13
4	Германия	136,57
5	Япония	59,40

То есть по этому очень узкому indicator США опережают Китай более чем втрое.

Нельзя утверждать:

«Nature и Science равны всей мировой науке».

Это неверно.

Но показатель демонстрирует принципиальную вещь:

США сохраняют исключительно высокую концентрацию исследований самого верхнего глобального visibility layer.

Поэтому утверждения:

«Китай уже полностью заменил США как научного лидера»

и:

«Китай только производит много слабых статей»

одинаково примитивны.

Правильная картина сложнее.

66.9. Главная современная научная конкуренция — Китай против США

По публикационному объему:

лидирует Китай.

По Nature Index overall:

лидирует Китай.

По applied sciences:

лидирует Китай с огромным разрывом.

По Nature & Science subset:

лидируют США.

По highly cited researcher population:

лидируют США.

По доле top-1% highly cited papers:

США сохраняют преимущество.

То есть мировой scientific frontier сегодня фактически имеет:

два крупнейших центра научной силы с разными профилями.

Китай особенно силен:

в масштабе;

engineering-related science;

materials;

applied science;

быстром расширении research capacity.

США особенно сильны:

в elite research;

biomedicine;

frontier universities;

highly cited talent;

международных научных сетях.

66.10. Самый важный citation benchmark — top-1%

Среднее число citations на статью имеет много ограничений.

Причина проста.

В разных дисциплинах совершенно разные citation cultures.

Biomedical paper может получать:

сотни citations.

Работа в mathematics:

значительно меньше.

Поэтому корректный международный benchmark должен быть:

field normalized.

Один из лучших показателей:

Highly Cited Articles — HCA.

NSF относит к ним статьи, входящие в:

top 1% по цитируемости внутри соответствующего года и научной области.

Мировая baseline поэтому составляет:

1%.

Если у страны показатель:

выше 1%,

она производит непропорционально большую долю highly influential research.

66.11. США: 1,7% работ входят в мировой top-1%

По последнему сопоставимому citation window NSF:

США

1,7%

публикаций 2022 года вошли в top-1% наиболее цитируемых.

Китай

1,3%.

EU-27

1,3%.

Индия

1,1%.

Япония

1,1%.

Это особенно важный benchmark.

При случайном мировом распределении:

ожидалось бы около:

1%.

Следовательно, США производят высокоцитируемые статьи примерно:

в 1,7 раза чаще мировой baseline.

Китай:

в 1,3 раза.

Это означает, что США пока сохраняют:

более высокую концентрацию globally influential papers относительно собственного publication output.

66.12. Но китайская цитируемость быстро растет

Статический показатель скрывает trajectory.

NSF отмечает:

доля китайских Highly Cited Articles росла:

каждый год с 2006 года

и к 2022 году достигла:

1,3%.

То есть китайский scientific transformation состоит не только в том, что:

стало больше ученых;

стало больше R&D;

стало больше статей.

Одновременно улучшается:

impact distribution.

Это очень сильный benchmark для любой догоняющей системы.

Сначала Китай построил:

масштаб.

Теперь он систематически повышает:

качество верхнего слоя.

66.13. Scientific Power необходимо измерять по distribution, а не только average

Представим две страны.

Страна A

100 тыс. публикаций;

в основном средний уровень;

мало breakthrough papers.

Страна B

50 тыс. публикаций;

но исключительно большое количество работ в:

top-10%;

top-1%;

top-0,1%.

Какая страна сильнее?

Ответ зависит от задачи.

Для:

массовой scientific capacity

важна A.

Для:

frontier discovery

может быть сильнее B.

Поэтому национальная система должна измерять одновременно:

total publications;

median impact;

top-10%;

top-1%;

extreme citation tail.

Особенно:

верхний хвост распределения.

Именно там чаще находятся работы, меняющие научное направление.

66.14. США сохраняют сильнейшую концентрацию Highly Cited Researchers

Еще один принципиально другой indicator предоставляет Clarivate.

Highly Cited Researchers — это исследователи, которые имеют:

не просто одну удачную статью,

а устойчивое значительное влияние внутри своих fields.

В списке 2025 года было:

6868 уникальных researchers

и:

7131 awards

в более чем:

1300 institutions

из:

60 стран и территорий.

Структура была следующей:

Место	Страна	HCR awards	Доля
1	США	2670	37,4%
2	Китай	1406	19,7%
3	Великобритания	570	8,0%
4	Германия	363	5,1%
5	Австралия	312	4,4%

Следом:

Канада;

Нидерланды;

Hong Kong;

Швейцария;

Франция.

Это снова показывает:

верхушка мировой науки намного более концентрирована, чем обычный publication output.

66.15. 86% ведущих researchers сосредоточены всего в десяти странах

Clarivate показывает:

86,1%

всех Highly Cited Researcher awards приходятся только на:

10 стран и территорий.

На первые пять:

около:

74,6%.

Это один из важнейших выводов главы.

Научные статьи публикуют:

почти все страны.

Но extreme scientific influence распределен:

совсем не равномерно.

То есть global science имеет:

длинный географический хвост публикаций и чрезвычайно концентрированное ядро научного влияния.

66.16. США: модель глобального scientific magnet

Американская система отличается не только размером бюджета.

Ее главная сила:

способность концентрировать:

лучших ученых;

лучших doctoral students;

postdocs;

research funding;

laboratories;

venture capital;

industry R&D;

medical centers.

Ключевой элемент:

talent attraction.

Сильный scientist из:

Индии;

Китая;

Европы;

Латинской Америки

может перейти в:

Harvard;

Stanford;

MIT;

Berkeley;

NIH;

другую американскую institution

и его следующий результат становится частью:

американской scientific system.

Следовательно:

мировое научное лидерство определяется не только тем, сколько талантов страна выращивает, но и тем, сколько мировых талантов она способна притянуть.

66.17. Американская сила распределена по нескольким типам институтов

Научный frontier США не ограничивается universities.

Он включает:

universities;

federal laboratories;

medical centers;

research institutes;

corporate research.

В Highly Cited Researchers 2025 среди мировых лидеров находились:

Harvard;

Stanford;

MIT;

NIH;

University of Pennsylvania;

UCLA;

UC Berkeley;

UC San Diego;

Yale;

другие американские institutions.

При этом Nature Index 2026 показывает чрезвычайную силу американских:

healthcare institutions.

В top-4 этого сектора находятся:

Massachusetts General Hospital;

UT Southwestern;

Mayo Clinic;

Brigham and Women’s Hospital.

Это исключительно важная архитектурная особенность.

Frontier science возникает:

не в одном «главном университете»,

а:

в плотной сети институтов разного типа.

66.18. Китай: модель быстрого институционального масштабирования

Китай строит другую архитектуру.

Главным узлом является:

Chinese Academy of Sciences — CAS.

Nature Index Research Leaders 2026 ставит CAS на:

1-е место среди всех организаций мира

с Share около:

3655.

Далее среди первых пяти:

Zhejiang University;

Harvard University;

Tsinghua University;

Shanghai Jiao Tong University.

То есть четыре из пяти первых позиций Nature Index принадлежат китайским institutions.

Clarivate также ставит CAS на первое место в мире по Highly Cited Researcher awards:

258.

Harvard:

Stanford:

Tsinghua:

Это показывает, насколько глубоко изменился институциональный центр мировой науки.

66.19. Китайская модель: Academy + mega-universities

Китайская research architecture соединяет:

крупную national academy;

сильнейшие universities;

государственные laboratories;

массовую doctoral system;

corporate R&D.

CAS особенно интересна.

Это не один университет.

Это:

гигантская research network.

Поэтому Китай способен:

концентрировать resources

и одновременно:

масштабировать science по множеству направлений.

Сильнейшие universities:

Tsinghua;

Zhejiang;

Peking;

USTC;

Shanghai Jiao Tong;

Fudan;

Nanjing

дополняют эту систему.

Результат:

не одна elite institution, а целый upper layer крупных научных организаций.

66.20. Германия: модель distributed excellence

Германия не имеет publication scale Китая

и не имеет американского количества Highly Cited Researchers.

Но занимает:

3-е место Nature Index 2026

с Share около:

5827.

Это выше:

Великобритании;

Японии;

Франции.

Главная сила немецкой системы:

институциональная специализация.

Помимо университетов существуют:

Max Planck Society;

Helmholtz Association;

Leibniz Association;

Fraunhofer Society.

Особенно:

Max Planck Society

систематически находится среди крупнейших мировых research organizations.

В Nature Index 2026 она занимает первое место среди research institutes соответствующего сектора; Helmholtz — второе.

Немецкий урок

Не каждый outstanding scientist должен находиться внутри:

университетской кафедры.

Можно создать сильнейшие специализированные research institutions с:

долгосрочным финансированием;

собственной инфраструктурой;

высокой автономией;

международным recruitment.

66.21. Великобритания: science значительно больше размера экономики

Великобритания демонстрирует другую модель.

По абсолютному publication output она существенно меньше Китая и США.

Но:

4-е место Nature Index 2026;

3-е место Highly Cited Researchers;

3-е место Nature & Science.

Это исключительно высокая scientific density.

Особенно сильны:

Oxford;

Cambridge;

University College London;

Imperial College London;

медико-биологический research ecosystem.

В списке HCR 2025 Великобритания имеет:

570 awards

или:

8% мирового числа.

Для страны такого размера это мощный результат.

66.22. Международность — ключевой элемент британской модели

В 2024 году доля публикаций Великобритании с international coauthors составляла около:

69%.

Для Германии:

около 57%.

Для США:

около 41%.

Для Китая:

около 16%.

Эти числа нельзя механически использовать как ranking.

Высокая internationalization не всегда означает:

лучше.

Большая страна способна создавать больше full domestic research teams.

Но британский benchmark демонстрирует:

небольшая относительно мирового масштаба scientific system способна резко расширить свой effective research capacity посредством глобальных networks.

66.23. Швейцария, Нидерланды и Дания: benchmark научной плотности

Если смотреть только на абсолютные публикации,

малые государства никогда не смогут конкурировать:

с Китаем;

США;

Индией.

Но это неправильный benchmark.

Швейцария;

Нидерланды;

Дания;

Швеция;

Сингапур

демонстрируют другой тип лидерства:

исключительно высокий scientific output и impact относительно размера системы.

В Nature Index 2026:

Швейцария занимает:

13-е место;

Нидерланды:

14-е;

Швеция:

15-е;

Сингапур:

16-е;

Дания:

17-е.

При этом по Highly Cited Researchers:

Нидерланды имеют 194 awards;

Швейцария — 130.

То есть небольшая страна способна создавать:

scientific density,

сопоставимую с гораздо более крупными economies.

66.24. Почему Швейцария особенно важна

Швейцарская science system показывает соединение:

elite universities;

pharmaceutical industry;

international talent;

high R&D intensity;

research hospitals;

корпоративной науки.

ETH Zurich;

EPFL;

университеты;

Roche;

Novartis

формируют компактный, но чрезвычайно мощный cluster.

Nature Index 2026 показывает дополнительный симптом:

Roche

занимает первое место среди corporate institutions мира по Nature Index Share.

Следовательно:

научное лидерство необязательно означает:

огромное население.

Оно может быть результатом:

экстремально высокой концентрации сильных людей, институтов и R&D на единицу экономики.

66.25. Япония: сохраняющаяся фундаментальная научная база

Япония в Nature Index 2026 занимает:

5-е место в мире.

В natural sciences:

4-е.

В Nature & Science:

5-е.

При этом publication output Японии за последнее десятилетие:

не рос так быстро,

как китайский.

По данным NSF:

2014 год — около 103 тыс. публикаций;

2024 год — около 98 тыс.

То есть абсолютный поток несколько снизился.

Но Япония сохраняет:

сильные universities;

materials science;

physics;

chemistry;

engineering;

corporate research.

Урок

Scientific stock может оставаться сильным,

даже если publication growth остановился.

Но в долгом периоде отсутствие расширения нового поколения researchers становится риском.

66.26. Республика Корея: science следует за технологической экономикой

Республика Корея особенно интересна связью:

industrial R&D

и:

science.

Nature Index 2026:

7-е место в мире overall

и:

3-е место в applied sciences.

Это логично.

Сильнейшие корейские:

electronics;

semiconductors;

materials;

battery;

engineering industries

создают постоянный спрос на:

research.

В результате scientific system тесно связана с:

Samsung;

SK;

LG;

industrial laboratories;

университетами.

Это важный benchmark:

science может быть усилена не только academic funding, но и чрезвычайно сильным high-tech corporate sector.

66.27. Индия: новый гигант publication scale

Индия стала третьим крупнейшим производителем научных публикаций среди отдельных стран в данных NSF.

2024:

258 469 публикаций

или примерно:

7% мирового output.

В 2014 году:

около:

88 тыс.

То есть поток вырос почти втрое.

Это огромная трансформация.

Но индийский пример особенно полезен потому, что показывает различие:

между:

publication scale

и:

extreme research impact.

Nature Index 2026 ставит Индию:

на 8-е место overall,

но в узком Nature & Science subset:

только на 24-е место.

Следовательно:

рост количества публикаций является необходимым, но не гарантирует такого же быстрого роста самого верхнего frontier layer.

66.28. Австралия: небольшая экономика с большой долей elite researchers

Австралия занимает лишь:

11-е место Nature Index 2026 overall,

но:

5-е место мира по Highly Cited Researcher awards.

Количество:

312

или:

4,4% мирового числа.

Это очень сильный показатель.

Австралийская модель основана на:

international talent;

universities;

medical research;

международных collaborations;

англоязычной academic system.

Она показывает:

система может быть особенно сильна в citation impact даже без огромного абсолютного research scale.

66.29. Канада: сила science network и medical research

Канада также не конкурирует с Китаем по volume.

Но находится:

в top-10 Nature Index;

в числе крупнейших стран по HCR;

в сильной international research network.

University of Toronto;

McGill;

UBC;

medical research institutions

формируют систему, сильно связанную:

с США;

Европой;

международным scientific community.

Таким образом американский scientific cluster фактически имеет:

широкую North American research network.

66.30. Международное соавторство стало частью мировой научной инфраструктуры

В 2012 году около:

19%

мировых S&E articles имели international collaboration.

К 2024 году:

около:

22%.

США участвовали почти в:

240 тыс. internationally coauthored papers

и примерно в:

31% всего мирового международного coauthorship output.

Это чрезвычайно важная функция.

Scientific leader — это не только тот,

кто производит knowledge внутри страны.

Но и тот,

через кого проходят:

международные knowledge flows.

66.31. США являются центральным узлом многих глобальных scientific networks

Особенно наглядный пример:

semiconductor research.

По данным NSF:

в 2024 году Китай обеспечивал около:

44%

мировых semiconductor-related publications.

Но среди крупнейших международных collaboration pairs постоянно присутствуют:

США

или:

Китай.

Китай и США совместно создали почти:

27 тыс. semiconductor papers

за рассматриваемый долгосрочный период.

При этом США участвовали во множестве крупнейших bilateral links:

с Кореей;

Германией;

другими системами.

Это дает еще один показатель Scientific Power:

network centrality.

66.32. Нельзя автоматически считать международное соавторство преимуществом

У Китая international collaboration rate:

около 16%.

У Великобритании:

около 69%.

Можно было бы решить:

Великобритания автоматически «лучше».

Но это неправильный вывод.

Китай имеет огромную собственную scientific system.

Следовательно, внутри национальной сети он способен найти:

coauthors;

equipment;

laboratories;

data;

specialists

без пересечения государственной границы.

Поэтому international collaboration необходимо оценивать:

не как самоцель,

а по вопросу:

расширяет ли оно доступ к уникальным компетенциям и усиливает ли scientific impact?

66.33. Разные страны специализируются на разных типах науки

Scientific Power не является однородной.

NSF показывает:

в 2024 году наибольшая доля американских публикаций приходилась на:

health sciences — около 36%.

У Японии:

также health sciences — около 32%.

У Китая крупнейшей областью была:

engineering — около 27%.

У Индии:

computer and information sciences — около 30%.

Следовательно, сравнение стран по общему publication count:

может скрывать:

стратегическую структуру scientific capability.

66.34. Citation impact также различается по областям

Американские публикации 2022 года особенно часто входили в мировой top-1% в:

materials science — около 2,1%;

computer and information sciences — около 2,0%;

physics — около 2,0%;

health sciences — около 1,9%;

biological sciences — около 1,8%.

Китай был особенно близок к США в:

chemistry;

engineering.

А в social sciences китайский показатель top-1% в данных NSF достиг:

около:

3,3%.

Главный методологический урок:

национальный Scientific Power необходимо анализировать по scientific domains, а не только агрегированно.

66.35. Почему citations нужно нормализовать по field

Представим:

страна A специализируется в biomedicine.

Страна B:

в mathematics.

Если просто посчитать:

citations per article,

первая почти неизбежно получит преимущество.

Но это не означает:

ее mathematical или scientific quality выше.

Поэтому международные systems используют:

field normalization.

Работа сравнивается:

с другими публикациями:

того же или близкого field;

похожего возраста.

Это позволяет задать:

world baseline.

И только после этого сравнивать:

countries;

institutions;

researchers.

66.36. Почему citations нужно нормализовать по времени

Новая статья еще не успела:

накопить citations.

Пятилетняя работа:

успела.

Поэтому сравнение:

2025 paper

и:

2018 paper

по сырым citation counts бессмысленно.

Кроме того:

breakthrough может получить recognition:

быстро

или:

через десятилетия.

Следовательно, scientific monitoring должен иметь несколько windows:

short-term;

medium-term;

long-term.

66.37. Почему self-citation нельзя просто запретить

Self-citation сама по себе нормальна.

Research group продолжает собственную работу.

Естественно сослаться на:

предыдущий method;

dataset;

experiment.

Проблема возникает при:

excessive self-citation;

citation cartels;

artificial reciprocal citation.

Поэтому сильные research analytics должны:

не запрещать self-citation,

а:

выявлять аномальные citation patterns.

Clarivate именно по этой причине усиливает integrity screening Highly Cited Researchers и в 2025 году исключало кандидатов, в частности, из-за гиперпродуктивного authorship и других аномалий.

66.38. Почему количество Highly Cited Researchers тоже нельзя превращать в самоцель

Highly Cited Researchers — очень полезный показатель.

Но он имеет ограничения.

Он зависит от:

database coverage;

field;

citation window;

методики;

affiliation.

Кроме того:

один ученый может иметь несколько field awards.

Поэтому число awards:

не равно числу уникальных людей.

Следовательно:

HCR используется:

как показатель концентрации глобального scientific influence,

но:

не как абсолютная истина.

Это общий принцип всей субпрограммы.

Ни один scientometric indicator не должен использоваться отдельно.

66.39. Сильнейшая наука чрезвычайно институционально концентрирована

Самые важные открытия распределены:

не равномерно между всеми universities.

Огромная доля frontier research возникает внутри относительно небольшого числа:

exceptional institutions;

laboratories;

research groups.

Nature Index 2026 показывает:

CAS;

Zhejiang;

Harvard;

Tsinghua;

Shanghai Jiao Tong

на первых пяти позициях общего institutional ranking.

Clarivate дает другой список,

но снова наверху оказываются:

CAS;

Harvard;

Stanford;

Tsinghua;

MIT;

NIH;

Max Planck;

Oxford;

UCL.

То есть разные методики все равно обнаруживают:

устойчивое ядро мировой elite science.

66.40. Главный объект управления — не университет, а research group

Даже Harvard не является одинаково сильным:

во всех исследованиях.

Научный breakthrough создают:

конкретный PI;

laboratory;

team;

research program.

Поэтому national science policy должна видеть:

не только:

university ranking,

но:

research group level.

Нужно знать:

какие группы входят:

в top-10% мира;

top-1%;

какие быстро поднимаются;

какие теряют frontier;

какие имеют молодых successors.

Именно этот уровень часто скрыт:

за агрегированным institutional ranking.

66.41. Scientific leader создает школы, а не только статьи

Один сильный профессор может дать:

десятки high-impact papers.

Но для страны важнее:

создал ли он:

учеников;

postdocs;

новых PIs;

новые laboratories.

Если после ухода ученого:

направление исчезает,

страна имела:

scientific star,

но не:

scientific school.

Поэтому следующий уровень benchmark:

Scientific Reproduction.

Система должна воспроизводить:

новое поколение людей,

способных самостоятельно создавать frontier research.

66.42. Научный лидер формирует agenda

Высшая форма scientific impact:

не просто получить много citations.

А изменить:

вопросы,

которые задает мировая наука.

Например, strong research group может:

предложить новый method;

создать benchmark;

открыть material;

сформулировать phenomenon;

создать dataset;

построить instrument.

После этого тысячи researchers начинают работать:

внутри новой trajectory.

Это можно назвать:

Agenda-Setting Power.

Именно он должен считаться одним из высших уровней Scientific Power.

66.43. Научное лидерство существует до технологического лидерства

Technology часто появляется:

после science.

Новая:

physics;

chemistry;

biology;

mathematics;

materials science

создает option value,

экономическая ценность которой может проявиться:

через пять;

десять;

двадцать лет.

Поэтому фундаментальная наука не должна оцениваться исключительно:

текущим commercial revenue.

Ее функция:

создание пространства будущих технологических возможностей.

Это особенно важно после Части XV о патентах.

Патент защищает:

уже сформулированное invention.

Science расширяет:

само пространство того,

что человечество умеет изобретать.

66.44. Мировые модели Scientific Power

Можно выделить несколько различных архитектур.

Модель США

global talent magnet + elite universities + federal science + medical research + corporate frontier research.

Модель Китая

massive scale + academy system + mega-universities + industrial integration + rapid investment growth.

Модель Германии

universities + specialized national research organizations + industrial science.

Модель Великобритании

elite universities + extreme internationalization + globally visible research.

Модель Швейцарии

small scale + exceptional density + elite universities + pharma/corporate science.

Модель Республики Корея

high R&D intensity + engineering universities + corporate technology research.

Модель Индии

rapid expansion of human and publication scale with still developing extreme-impact layer.

Ни одна модель:

не является универсальной.

66.45. Что общего у всех мировых лидеров

Несмотря на различия, сильнейшие systems имеют общие свойства.

1. Критическая масса

Существует достаточное количество:

scientists;

students;

laboratories;

funding.

2. Elite layer

Есть research groups,

которые реально входят:

в мировой frontier.

3. Конкурентное распределение ресурсов

Сильнейшие researchers способны получать:

больше resources.

4. Международность

Система встроена:

в global science.

5. Высококачественная инфраструктура

Equipment;

data;

computing;

research facilities.

6. Talent reproduction

Постоянно возникают:

новые researchers.

7. Talent attraction

Страна способна привлекать:

внешних сильных ученых.

8. Research autonomy

Ученый имеет пространство для:

неочевидных;

рисковых;

долгосрочных вопросов.

9. Long-term funding

Не вся science живет:

одногодичным cycle.

10. Measurement

Система видит:

кто действительно создает:

world-class results.

66.46. Первый парадокс научной политики: quantity необходимо и опасно одновременно

Чтобы получить:

100 frontier papers,

часто необходимо иметь:

огромный research base.

Поэтому нельзя сказать:

«нам нужно качество, количество не важно».

Количество важно.

Но если KPI жестко ставит:

«каждому scientist — N статей»,

система начинает оптимизировать:

paper count.

Возникает:

salami publishing;

low-value papers;

journal inflation;

authorship inflation.

Следовательно:

масштаб нужен как инфраструктура отбора, но quantity не должен становиться конечной целью.

66.47. Второй парадокс: citation KPI также способен разрушить science

Если ученому сказать:

«максимизируй citations»

он может рационально выбирать:

модные fields;

review papers;

large collaborations;

citation networks;

темы с высоким citation density.

Но breakthrough science часто начинается:

в маленькой области,

которую пока почти никто не цитирует.

Поэтому:

citation impact — полезный output metric, но плохой непосредственный production target для отдельного scientist.

Наука должна измеряться:

на уровне portfolios;

institutions;

страны,

с достаточным временным horizon.

66.48. Третий парадокс: самый значимый результат может быть редким

Если лаборатория производит:

20 papers ежегодно,

это стабильно.

Если другая десять лет создает:

один новый experimental platform,

который затем меняет целую область,

простая ежегодная KPI system может считать:

первую лучше.

Это опаснейшая ошибка.

Scientific leadership требует способности финансировать:

low-frequency, high-impact outcomes.

66.49. Поэтому необходим Scientific Power Dashboard

Национальное научное лидерство следует измерять системой показателей.

Scale

publication output;

researchers;

PhD production;

R&D.

Quality

field-normalized impact;

top-10% papers;

top-1% papers;

Nature Index.

People

Highly Cited Researchers;

leading PIs;

young frontier researchers.

Institutions

top research groups;

top laboratories;

global institutions.

Network

international collaborations;

network centrality;

global talent flows.

Frontier

new methods;

new fields;

major scientific discoveries;

agenda-setting research.

Reproduction

doctoral quality;

postdoc pipeline;

new independent investigators.

66.50. Нельзя создавать единый механический рейтинг

Очень соблазнительно взять:

20 indicators,

назначить им weights

и получить:

одно число.

Но это создает ложную точность.

Например:

Китай сегодня лидер:

publication scale;

Nature Index.

США:

HCR;

top-1% share;

Nature & Science.

Швейцария:

может быть намного сильнее обоих по определенным показателям на душу населения.

Следовательно:

научная мощность должна представляться dashboard, а не одним магическим рейтингом.

66.51. Но для государственной программы нужны target corridors

Отказ от одного рейтинга не означает:

отказ от целей.

Для каждого indicator задаются:

world leader;

top-3;

top-5;

top-10;

текущая Россия;

пятилетняя цель;

десятилетняя цель.

Например:

Publication Output:

top-5.

Top-1% Highly Cited Papers:

выше мировой baseline;

затем top-10;

затем top-5.

Nature Index:

top-10;

затем top-5.

Highly Cited Researchers:

top-10;

затем top-5.

International Scientific Network:

top-tier centrality.

Но точные российские исходные значения необходимо определить:

в следующей главе.

66.52. Главная граница — между publication system и discovery system

Слабая scientific policy спрашивает:

сколько статей опубликовано?

Более сильная:

сколько статей процитировано?

Еще более сильная:

сколько работ вошло в мировой top-1%?

Но настоящий вопрос:

сколько новых элементов мирового знания создала страна?

То есть:

новых principles;

methods;

materials;

theories;

datasets;

instruments;

research fields.

Именно это необходимо считать:

конечной scientific output.

66.53. Мировой научный frontier

По состоянию на 2026 год глобальная структура выглядит следующим образом.

Китай

лидер:

по absolute publication scale;

Nature Index overall;

natural sciences;

applied sciences;

масштабу крупнейших research institutions.

США

лидер:

по Highly Cited Researchers;

доле top-1% highly cited papers среди крупнейших systems;

Nature & Science subset;

глобальной talent concentration;

international network centrality;

биомедицинской elite science.

Германия и Великобритания

формируют следующий tier:

с очень высокой концентрацией strong institutions и high-impact research.

Япония, Франция, Корея

сохраняют мощные специализированные scientific systems.

Швейцария, Нидерланды, Дания, Сингапур, Швеция

показывают:

как небольшой масштаб может сочетаться с:

исключительно высокой scientific density.

Индия

показывает:

как быстро можно построить огромный publication base,

но одновременно демонстрирует:

необходимость отдельного перехода:

от scale

к:

extreme impact.

66.54. Самый важный мировой сдвиг

Двадцать лет назад мировой scientific center значительно сильнее концентрировался:

в США;

Западной Европе;

Японии.

Сегодня возникает:

новая multipolar science system.

Но главный новый центр:

Китай.

Причем его движение прошло несколько фаз.

Фаза 1

Резкое увеличение:

R&D;

scientists;

universities;

publications.

Фаза 2

Рост:

citations;

Nature Index;

high-impact papers.

Фаза 3

Рост:

world-leading institutions;

Highly Cited Researchers;

frontier science.

Следующий вопрос:

способен ли Китай также получить устойчивое лидерство:

в наиболее фундаментальных breakthrough discoveries

и:

global agenda setting?

Это один из центральных вопросов мировой науки следующего десятилетия.

66.55. Главный benchmark для России

Из мирового опыта следует:

Россия не должна ставить цель:

«опубликовать как можно больше статей».

Это неправильная постановка.

Но также недостаточно:

«повысить среднюю цитируемость».

Настоящая цель должна звучать:

создать научную систему, способную устойчиво производить непропорционально большую долю мировой frontier science.

То есть необходимо одновременно иметь:

масштаб;

качество;

верхний слой;

research schools;

talent;

international network;

infrastructure;

scientific renewal.

66.56. Семь уровней Scientific Power

Мировые benchmarks позволяют сформировать национальную лестницу.

Level 1. Scientific Capacity

Есть ли:

люди;

лаборатории;

финансирование?

Level 2. Publication Capacity

Создается ли значительный поток научных результатов?

Level 3. Citation Competitiveness

Цитируются ли эти результаты на мировом уровне?

Level 4. High-Impact Science

Входит ли страна непропорционально часто:

в top-10%;

top-1%?

Level 5. Frontier Institutions

Есть ли организации и laboratories:

мирового top-tier?

Level 6. Agenda-Setting Science

Создает ли страна:

новые fields;

methods;

research trajectories?

Level 7. Scientific Leadership

Способна ли она:

притягивать мировой talent;

формировать global research agenda;

создавать знания, на которых строятся следующие технологические революции?

Именно последний уровень является целью:

мирового научного лидерства.

66.57. Научный лидер не обязательно публикует больше всех

Этот вывод следует подчеркнуть.

Scientific leader может уступать другой стране:

по publication count,

но иметь:

больше top-1% papers;

больше elite researchers;

более сильные laboratories;

больше breakthrough discoveries.

И наоборот:

publication leader может еще не быть абсолютным лидером:

по extreme-impact layer.

Поэтому задача России:

не копировать:

один китайский;

американский;

британский

indicator.

Нужно строить:

полный Scientific Power stack.

66.58. Формула мирового frontier без математического упрощения

Современная научная сверхдержава должна соединять:

scale

с:

quality;

quality

с:

elite concentration;

elite concentration

с:

talent reproduction;

talent reproduction

с:

global attraction;

global attraction

с:

research infrastructure;

research infrastructure

с:

scientific autonomy;

scientific autonomy

с:

agenda-setting discoveries.

Если выпадает одно звено,

Scientific Power ослабевает.

66.59. Главный вывод главы

Мировая научная система больше не имеет одного простого лидера по всем показателям.

Сегодня:

Китай уже доминирует по масштабу и значительной части high-quality research output.

США сохраняют исключительную силу в верхнем citation layer, elite researcher concentration и наиболее видимом frontier research.

Европейские лидеры демонстрируют:

высокую density;

institutional quality;

international connectivity.

Малые научные державы показывают:

что world-class science необязательно требует миллиардного населения.

Именно поэтому научное лидерство необходимо определять как способность:

систематически создавать, концентрировать, воспроизводить и притягивать людей и институты, которые формируют новое мировое знание.

А не как способность:

генерировать максимальное число PDF-файлов.

Следовательно, настоящий benchmark:

не publication production.

И даже не:

citation production.

А:

world-changing knowledge production.

Теперь можно поставить следующий вопрос.

Где в этой системе находится Россия?

Есть ли у нее:

достаточный publication scale?

Какова ее field-normalized citation impact?

Сколько российских работ входит:

в мировой top-1%?

Какова позиция России:

в Nature Index?

Сколько в стране:

Highly Cited Researchers?

Какие российские institutions реально находятся:

в мировом scientific frontier?

Почему исторически сильная научная школа сегодня значительно слабее представлена:

в верхнем международном citation layer,

чем могла бы быть исходя из:

масштаба страны;

образовательной традиции;

числа researchers;

фундаментального научного наследия?

Ответы на эти вопросы определяет:

Глава 67. Российская научная система: структурный разрыв.

*********************

Глава 67. Российская научная система: структурный разрыв

67.1. Сначала необходимо исключить неправильный диагноз

Россия не является страной:

без ученых;

без научных организаций;

без фундаментальной школы;

без исследовательской инфраструктуры;

без значительного финансирования науки;

без международно признанных результатов.

Это принципиально важно.

По численности исследователей Россия остается одной из крупнейших научных систем мира.

В 2024 году в крупных и средних организациях работало около:

339 тыс. исследователей.

С учетом малых предприятий показатель превышал:

350 тыс. человек.

В эквиваленте полной занятости российская численность исследователей оценивалась примерно в:

382,8 тыс. человеко-лет

и соответствовала приблизительно:

6-й позиции в мире.

То есть главный диагноз не может звучать:

«в России слишком мало ученых».

Проблема находится значительно глубже.

67.2. Россия имеет одну из крупнейших научных кадровых систем мира

Общая численность персонала, занятого исследованиями и разработками, в 2024 году составляла около:

675,7 тыс. человек.

По числу работников R&D в эквиваленте полной занятости Россия входит в группу крупнейших систем мира.

По исследователям она уступает прежде всего:

Китаю;

США;

Японии;

Германии;

Республике Корея.

Это исключительно важный benchmark.

Россия располагает:

критической массой людей.

Следовательно, проблема не сводится к отсутствию кадровой базы.

67.3. Финансовый масштаб также нельзя назвать незначительным

В 2024 году внутренние затраты России на исследования и разработки достигли примерно:

1,94 трлн рублей.

В расчете по паритету покупательной способности российские расходы оценивались примерно в:

64,9 млрд долларов.

По абсолютному объему это соответствует приблизительно:

9-му месту в мире.

Следовательно, Россия одновременно находится:

в первой десятке по ресурсам

и:

далеко не в первой десятке по некоторым наиболее строгим показателям frontier science.

Именно здесь начинается главный парадокс.

67.4. Первый структурный разрыв: абсолютный масштаб высокий, интенсивность низкая

Абсолютная величина российских R&D expenditure выглядит значительной.

Но относительно размера экономики:

внутренние затраты на R&D составляли в 2024 году около:

0,97% ВВП.

Для мировых технологических лидеров характерны совершенно другие уровни:

несколько процентов ВВП.

Поэтому одновременно верны два утверждения.

Россия:

крупная научная система по абсолютному объему.

Но:

научно-исследовательская интенсивность российской экономики существенно ниже frontier economies.

Это означает:

много людей и институтов должны делить относительно меньший resource pool.

67.5. Второй разрыв: publication scale значительно сильнее elite scientific output

В зависимости от методологии международного подсчета позиция России по публикациям различается.

NSF Science & Engineering Indicators относил Россию в 2023 году к крупнейшим S&E publication systems мира:

около:

85,6 тыс. fractionally counted publications

и примерно:

7-е место.

В российской статистике, использующей другой массив Scopus и другую методику, по итогам 2024 года Россия занимала:

13-е место по числу публикаций.

Различие показывает важную методологическую проблему:

publication rank чрезвычайно чувствителен к базе, типам документов и правилам counting.

Но обе оценки подтверждают одно:

Россия остается крупным производителем научных публикаций.

Теперь сравним это с high-quality frontier output.

67.6. Россия — 24-я в Nature Index 2026

Nature Index Research Leaders 2026, основанный на публикациях 2025 года в 178 отобранных высококачественных научных изданиях, ставит Россию на:

24-е место в мире overall.

Российский Share:

462,66.

Для сравнения:

Китай — 52 735;

США — 26 006;

Германия — 5827;

Великобритания — 4820;

Япония — 3890.

То есть возникает фундаментальная асимметрия:

Россия находится примерно:

в мировой первой десятке по размеру science resources,

но:

лишь в середине третьего десятка по Nature Index high-quality output.

Это и есть один из самых сильных диагнозов всей части.

67.7. Разрыв нельзя объяснить только размером страны

Можно было бы сказать:

Nature Index не нормализован,

поэтому большой Китай неизбежно первый.

Это верно лишь частично.

Россию опережают:

Швейцария;

Нидерланды;

Швеция;

Сингапур;

Израиль;

страны со значительно меньшей численностью населения

и гораздо меньшим абсолютным научным кадровым корпусом.

Следовательно:

размер научной системы автоматически не преобразуется в frontier output.

Необходим механизм conversion.

67.8. Третий разрыв: сильная физико-химическая база, но слабее широкий scientific portfolio

Россия сохраняет заметную силу в традиционных естественно-научных областях.

По текущему профилю Nature Index позиции России составляют приблизительно:

physical sciences — 13-е место;

chemistry — 17-е;

natural sciences overall — 19-е.

Это серьезный научный актив.

Российская система по-прежнему обладает:

сильной физикой;

математикой;

частью химии;

материаловедением;

теоретическими школами;

крупной инженерной и технической базой.

Но картинка резко хуже в других областях.

67.9. Особенно велик разрыв в life sciences

Nature Index показывает позиции России приблизительно:

health sciences — 38-е место;

biological sciences — 34-е;

social sciences — 42-е.

Для современной технологической экономики это критично.

Именно на пересечении:

biology;

medicine;

genetics;

AI;

chemistry;

materials

возникают крупнейшие новые отрасли:

biotechnology;

precision medicine;

synthetic biology;

drug discovery;

bioinformatics;

neurotechnology.

Следовательно, российский scientific portfolio остается:

слишком неравномерным относительно структуры науки XXI века.

67.10. Четвертый разрыв: extreme frontier значительно слабее общего high-quality output

Еще сильнее различие видно в наиболее узком Nature Index subset:

Nature & Science.

В 2025 году:

США имели Share около 938;

Китай — 295;

Великобритания — 160;

Германия — 137.

Россия:

3,49

и:

29-е место в мире.

Нельзя утверждать:

Nature + Science = вся мировая наука.

Но показатель демонстрирует:

российское присутствие в самом узком слое глобально наиболее заметных публикаций несопоставимо с масштабом российской научной системы.

67.11. Центральный коэффициент разрыва виден без сложной математики

Россия:

6-я примерно по числу исследователей;

9-я по абсолютным R&D expenditure в PPP;

крупная publication system;

но:

24-я Nature Index;

29-я Nature & Science.

Это нельзя объяснить:

одной плохой метрикой;

одним неудачным годом;

одним журналом.

Разные indicators одновременно показывают:

проблему конверсии научного ресурса в мировой frontier impact.

67.12. Пятый разрыв: научная система недостаточно встроена в глобальные research networks

По данным NSF на 2023 год российские авторы имели приблизительно:

77,3 тыс. публикаций только с domestic affiliations

и:

18,7 тыс. publications с international collaboration.

Для сравнения international collaboration rate составлял примерно:

Великобритания — 68%;

Германия — 56%;

США — 40%;

Япония — 32%;

Индия — 23%;

Китай — 17%.

Российская система не является полностью изолированной.

Но относительно ведущих европейских scientific systems ее международная связанность существенно ниже.

67.13. Международное сотрудничество ценно не само по себе

Нельзя просто поставить KPI:

«максимизировать международное соавторство».

Китай способен иметь сравнительно низкую international collaboration share,

потому что внутри страны уже существует:

огромная scientific network.

Настоящий вопрос другой:

получает ли российский scientist доступ к:

лучшей мировой лаборатории;

уникальной установке;

dataset;

coauthor;

research school;

новой методике?

Если ответ:

нет,

то страна теряет:

не строчку в рейтинге,

а:

доступ к frontier knowledge network.

67.14. Шестой разрыв: структура финансирования остается государственно-доминирующей

В 2024 году более половины российских внутренних затрат на R&D финансировалось:

за счет бюджетов всех уровней.

Доля:

53,4%.

Сама по себе государственная доля не является проблемой.

Фундаментальная наука во всех крупнейших странах требует:

public funding.

Проблема возникает тогда,

когда государство должно компенсировать:

недостаточный private demand

на:

research;

scientific talent;

frontier laboratories.

67.15. Предпринимательский сектор ориентирован прежде всего на разработки

Это естественно.

Компания должна создавать:

product;

technology;

manufacturing process.

В российском предпринимательском секторе около:

89% внутренних текущих R&D expenditure приходится на разработки.

Его вклад в общий объем фундаментальных исследований составляет лишь около:

5,6%.

Это показывает:

corporate sector существует,

но его роль как заказчика:

frontier science

ограничена.

67.16. Почему corporate fundamental research важен

Bell Labs;

IBM Research;

Google DeepMind;

Microsoft Research;

pharmaceutical laboratories;

industrial chemistry laboratories

демонстрируют:

компания может заниматься research,

экономический результат которого появится не завтра.

Для этого необходимы:

большой market;

technology rents;

долгий planning horizon;

competition за future platforms.

Если private sector почти всегда спрашивает:

«что можно внедрить в следующем году?»

научная система теряет:

длинный промышленный research horizon.

67.17. Седьмой разрыв: российская наука моложе, чем часто принято считать

Распространенный тезис:

«в российской науке работают только пожилые ученые».

Последние данные этого не подтверждают.

В 2024 году исследователи до 39 лет включительно составляли:

43,3%

основного исследовательского корпуса.

Средний возраст:

около:

46 лет.

Следовательно, проблема не сводится:

к отсутствию молодых людей.

67.18. Настоящая кадровая проблема — переход молодого ученого в независимого PI

Молодой researcher может:

работать в лаборатории;

писать статьи;

участвовать в гранте.

Но это еще не значит,

что через десять лет он станет:

самостоятельным scientific leader.

Для этого нужны:

собственная research agenda;

собственный budget;

research group;

equipment access;

PhD students;

postdocs;

право рисковать;

возможность конкурировать за крупный grant.

Следовательно, важнее считать:

не только:

young researchers.

Но:

young independent principal investigators.

67.19. Восьмой разрыв: недостаток сильного postdoctoral layer

Современная elite science устроена примерно так:

PhD;

postdoc;

independent PI;

laboratory leader.

Postdoc выполняет важнейшую функцию.

Он:

уже умеет проводить research,

но еще находится:

в активной фазе mobility;

смены научной школы;

освоения новых methods.

Российская система значительно слабее институционализировала postdoctoral stage,

чем:

США;

Великобритания;

Германия;

Швейцария.

В результате переход:

аспирантура → самостоятельный scientist

часто происходит:

слишком резко

или:

не происходит вообще.

67.20. Девятый разрыв: грантовый горизонт часто короче научного горизонта

Breakthrough science может требовать:

5;

7;

10 лет.

Но система short-term funding заставляет researcher постоянно:

переоформлять заявки;

доказывать промежуточные outputs;

производить predictable results.

Возникает selection bias:

в сторону проектов,

где результат:

почти гарантирован.

Но настоящий frontier требует:

финансирования разумного scientific risk.

67.21. Десятый разрыв: финансируется проект, но не всегда scientific trajectory

Сильный PI строит:

не один проект.

Он строит:

research program.

В ней один результат создает:

следующий вопрос.

Если funding разрывается каждые несколько лет,

лаборатория теряет:

людей;

equipment continuity;

research momentum.

Следовательно, elite funding должно поддерживать:

trajectory, а не только project.

67.22. Одиннадцатый разрыв: научная инфраструктура существует, но access не всегда оптимизирован

Дорогой прибор может:

стоять в одном институте,

а researcher из соседнего университета:

не иметь простого механизма доступа.

Мировой frontier требует:

core facilities;

shared equipment;

national user facilities.

Главный KPI прибора:

не:

куплен.

А:

сколько high-quality research он обеспечил.

67.23. Оборудование без engineering support не является инфраструктурой

Современная установка требует:

technician;

engineer;

software;

calibration;

service;

consumables.

Если государство финансирует:

CAPEX

и недофинансирует:

OPEX,

через несколько лет прибор:

формально существует,

но практически:

не работает на frontier.

Следовательно:

equipment lifecycle должен финансироваться полностью.

67.24. Двенадцатый разрыв: административная стоимость исследования

Каждый час strong researcher может быть использован:

для science

или:

для administrative workflow.

Если PI вынужден тратить непропорциональное время на:

закупки;

отчеты;

согласования;

договоры;

поиск расходных материалов,

научная система теряет:

scarce resource.

Причем:

самый дорогой.

время лучшего ученого.

67.25. Тринадцатый разрыв: слишком равномерное распределение может убивать excellence

Наука чрезвычайно неоднородна.

Одна лаборатория может:

создавать мировой frontier.

Другая:

выполнять полезную, но локальную функцию.

Если финансировать их:

почти одинаково,

страна теряет возможность:

концентрировать resources

там, где возникает:

global breakthrough probability.

Мировые лидеры не случайно имеют:

Harvard;

MIT;

CAS;

Max Planck;

Oxford;

Tsinghua.

То есть:

excellence требует концентрации.

67.26. Но концентрация не должна превращаться в закрытый клуб

Обратная ошибка:

финансировать одни и те же институты

навсегда.

Тогда возникает:

institutional rent.

Правильная система должна одновременно:

концентрировать resources

и:

постоянно открывать путь:

новым groups;

новым PIs;

новым fields.

То есть:

concentration + contestability.

67.27. Четырнадцатый разрыв: измеряется организация, а не research group

Университет может занимать:

300-е место

и одновременно иметь:

одну лабораторию мирового top-10.

И наоборот:

известный university brand

может скрывать:

средний уровень конкретной группы.

Поэтому funding system должна видеть:

PI;

laboratory;

research group;

field.

Не только:

юридическое лицо.

67.28. Пятнадцатый разрыв: публикационный KPI может стимулировать неправильную оптимизацию

Если карьерный рост зависит от:

числа publications,

rational researcher увеличивает:

publication count.

Если зависит от:

citation count,

он начинает оптимизировать:

citability.

Но государству нужен:

не paper.

И не citation.

Ему нужен:

новый элемент знания.

Поэтому bibliometrics должны использоваться:

для диагностики,

а не как механическая норма:

«N статей на человека».

67.29. Научная результативность должна измеряться distributions

Правильная система спрашивает:

какова доля:

top-10% papers;

top-1% papers;

какие группы создают:

extreme-impact output;

какие laboratories:

быстро растут;

какие:

теряют frontier.

Average citation impact слишком груб.

Потому что:

одна breakthrough laboratory

может быть скрыта внутри:

тысяч средних publications.

67.30. Шестнадцатый разрыв: слабая глобальная борьба за scientific talent

Научная сверхдержава должна:

не только удерживать своих.

Она должна привлекать:

чужих.

США десятилетиями превращали:

global brain circulation

в:

national scientific advantage.

Россия должна уметь конкурировать за:

strong PI;

postdoc;

doctoral student;

research engineer.

Не только российского происхождения.

67.31. Talent attraction — это не только зарплата

Ученый выбирает:

где он сможет сделать:

лучшую работу своей жизни.

Поэтому нужны:

equipment;

team;

grant;

autonomy;

students;

data;

scientific environment;

quality of administration.

Можно предложить высокую salary

и проиграть,

если scientist не сможет:

проводить research.

67.32. Семнадцатый разрыв: недостаточная международная мобильность

Для молодого ученого полезно:

поехать в сильнейшую laboratory мира;

освоить method;

создать network;

вернуться

или:

сохранить устойчивую collaboration.

Мобильность не должна рассматриваться:

как потеря человека.

Правильная модель:

brain circulation.

Риск возникает,

если система умеет:

отправлять,

но не умеет:

возвращать;

либо не способна поддерживать:

долгосрочные research ties.

67.33. Восемнадцатый разрыв: язык науки остается экономической инфраструктурой

Современная global science в значительной степени использует:

английский

как рабочий язык.

Исторические исследования российских научных кадров показывали значительные различия в уровне свободного владения английским; международно мобильные ученые владели им значительно лучше.

Это не культурный вопрос.

Это доступ к:

papers;

conferences;

peer review;

collaborations;

grant applications;

global scientific discussion.

67.34. Девятнадцатый разрыв: science communication часто начинается после результата

Сильная laboratory еще до публикации должна понимать:

какая international community работает над проблемой;

какие conferences определяют agenda;

какие journals являются central;

какие scientists необходимо привлечь к discussion.

Science communication:

не PR.

Это:

встраивание результата в knowledge network.

67.35. Двадцатый разрыв: недостаточная связка science и новых технологических отраслей

Россия сильна:

в physics;

части chemistry;

mathematics.

Но экономическая value возникает,

когда фундаментальная competence встречается с:

AI;

robotics;

new materials;

quantum;

biotech;

energy;

advanced manufacturing.

Следовательно:

нельзя управлять science

и:

technology policy

раздельно.

67.36. Но фундаментальную науку нельзя превращать в приложение к промышленности

Это другая крайность.

Если каждый scientist должен доказать:

commercialization через три года,

исчезнут:

fundamental physics;

mathematics;

astronomy;

basic biology.

Именно они создают:

future option value.

Следовательно:

наука должна иметь отдельный контур свободы от немедленной коммерческой отдачи.

67.37. Двадцать первый разрыв: слабая система поддержки high-risk science

Большинство grant systems естественным образом предпочитает:

credible proposal.

Но breakthrough часто выглядит:

невероятным.

Необходимо финансировать небольшую долю:

high-risk;

high-reward projects,

где допустим:

failure.

Если все проекты должны:

обязательно завершиться запланированным результатом,

страна систематически выбирает:

incremental science.

67.38. Двадцать второй разрыв: недостаточная культура научного прекращения

Неудача является:

нормальной частью research.

Но если финансирование невозможно прекратить,

даже когда hypothesis явно:

не работает,

resources продолжают расходоваться.

Сильная scientific system должна уметь:

быстро закрыть dead end

и:

перенаправить людей.

То есть:

freedom to fail должна сочетаться с freedom to stop.

67.39. Двадцать третий разрыв: недостаточная прозрачность research integrity

Научное лидерство невозможно без доверия.

Необходимо системно выявлять:

fabrication;

falsification;

plagiarism;

paper mills;

citation manipulation;

fake peer review.

Clarivate в 2025 году усилил screening Highly Cited Researchers именно из-за роста anomalous publication behavior и исключил около 2400 кандидатов на разных этапах отбора.

Российской системе также необходим:

не punitive campaign,

а:

инфраструктура scientific integrity.

67.40. Двадцать четвертый разрыв: мало измеряется воспроизводимость результата

Paper accepted

не означает:

result true.

Особенно в:

biomedicine;

psychology;

AI;

experimental science

важны:

data;

code;

protocol;

replication.

Поэтому scientific quality должна включать:

reproducibility.

67.41. Двадцать пятый разрыв: insufficient research data infrastructure

Современная science производит:

огромные datasets.

Без:

standard metadata;

repositories;

data access;

compute;

long-term preservation

часть научной ценности теряется.

Data становится:

research infrastructure такого же уровня, как прибор.

67.42. Двадцать шестой разрыв: concentration сильнейших ресурсов географически чрезмерна

Москва концентрировала в 2024 году более:

36% российских инвестиций в науку.

Концентрация сама по себе рациональна.

Science имеет сильные agglomeration effects.

Но риск возникает,

если researcher мирового класса в другом регионе:

не имеет доступа к:

equipment;

grant;

students;

network.

Правильная система должна:

концентрировать excellence, не уничтожая географическую contestability.

67.43. Двадцать седьмой разрыв: слабая visibility российских research groups

Многие международные партнеры знают:

Harvard;

MIT;

Oxford;

Tsinghua.

Но современная collaboration часто начинается не с university brand.

Она начинается с:

конкретного scientist.

России необходима глобальная карта:

top PIs;

research groups;

methods;

equipment;

open positions.

То есть scientist должен быть:

findable.

67.44. Двадцать восьмой разрыв: недостаточно развит мировой recruitment PhD и postdoc

Если Россия хочет:

scientific leadership,

российская аспирантура должна конкурировать:

за сильного студента:

из Индии;

Китая;

Ирана;

Вьетнама;

Европы;

Латинской Америки;

Африки;

других регионов.

Не только:

за российского graduate.

Научная система должна стать:

global destination.

67.45. Двадцать девятый разрыв: карьерная траектория scientist слишком непрозрачна

Молодой человек должен понимать:

что происходит после:

PhD.

Как стать:

postdoc;

PI;

lab head;

professor;

research director.

Если путь зависит:

не от scientific excellence,

а от:

долгого ожидания вакансии,

talent выбирает:

другую карьеру.

67.46. Тридцатый разрыв: статус ученого не равен возможности вести research

Можно иметь:

ученую степень;

должность;

publication record

и почти не иметь:

research budget.

Но frontier scientist должен контролировать:

ресурс,

позволяющий проверять собственные hypotheses.

Следовательно:

важнейший показатель:

research resources per active PI.

67.47. Главный structural paradox России

Соберем показатели.

Россия имеет:

одну из крупнейших численностей researchers мира;

первую десятку по абсолютным R&D expenditure PPP;

большой publication flow;

сильные физико-математические и химические школы;

значительную долю молодых researchers.

Но одновременно:

24-е место Nature Index overall;

19-е в natural sciences;

29-е в Nature & Science;

слабее позиции в biological и health sciences;

меньшую international network integration, чем у большинства европейских leaders.

Следовательно:

проблема России — не отсутствие научной системы. Проблема — низкая конверсия масштабной научной системы в мировой frontier.

67.48. Российский Scientific Conversion Funnel

Необходимо измерять полную цепочку.

Уровень 1. Talent

Сколько способных людей приходит?

Уровень 2. Researcher

Сколько реально занимается science?

Уровень 3. Independent PI

Сколько способны вести собственную agenda?

Уровень 4. Strong Research Group

Сколько создают устойчивую internationally competitive science?

Уровень 5. High-Quality Output

Сколько работ попадает в high-quality journals?

Уровень 6. Top-1% Impact

Сколько входит в мировой extreme citation layer?

Уровень 7. Agenda Setting

Сколько создает новое scientific direction?

Уровень 8. Scientific School

Сколько воспроизводит следующее поколение leaders?

Именно между этими стадиями нужно искать:

conversion losses.

67.49. Главный KPI — не publications per researcher

Такой показатель чрезвычайно легко оптимизировать.

Настоящий вопрос:

сколько researchers мирового уровня возникает на каждые 10 тыс. исследователей системы?

И:

сколько frontier groups возникает на каждый миллиард R&D expenditure?

Не обязательно рассчитывать эти отношения одним числом.

Но управленчески необходимо видеть:

эффективность превращения:

resource → excellence.

67.50. Россия должна перейти от поддержки науки к производству scientific excellence

Поддержать науку означает:

финансировать:

организации;

штаты;

проекты.

Производить excellence означает:

находить:

лучших;

быстро усиливать;

давать autonomy;

давать resources;

встраивать в global network;

воспроизводить successors.

То есть объект управления меняется.

Не:

научная организация.

А:

scientific trajectory.

67.51. Конечный диагноз

Российская science system имеет:

достаточный масштаб,

чтобы претендовать на:

значительно более высокую мировую позицию.

Но существующая architecture недостаточно эффективно превращает:

людей;

финансирование;

инфраструктуру;

исторические scientific schools

в:

top-1% papers;

global PIs;

elite laboratories;

new research fields;

world agenda-setting discoveries.

Следовательно, субпрограмма-минимум должна решить не задачу:

«заставить российских ученых публиковать больше».

Она должна решить задачу:

создать институциональную машину, которая систематически превращает сильного российского researcher в globally competitive PI, PI — в frontier group, group — в scientific school, а scientific school — в источник нового мирового знания.

Это и есть предмет следующей главы.

********************

Глава 68. Субпрограмма-минимум

Субпрограмма-минимум должна решить задачу, выявленную в предыдущей главе.

Россия уже имеет:

крупный научный кадровый корпус;

значительную исследовательскую инфраструктуру;

сильные исторические школы;

заметный объем R&D;

способность создавать результаты мирового уровня.

Но масштаб входа значительно сильнее масштаба frontier-output.

Следовательно, неправильная постановка задачи:

«необходимо резко увеличить количество научных публикаций».

Еще одна неправильная постановка:

«необходимо механически повысить цитируемость».

И даже формула:

«необходимо дать науке больше денег»

сама по себе недостаточна.

Дополнительное финансирование необходимо.

Но если сохранить прежнюю архитектуру отбора, карьер, инфраструктуры и распределения ресурсов,

страна рискует просто:

дороже воспроизводить существующую систему.

Цель пятилетней субпрограммы-минимум:

построить в России институциональный механизм, который систематически превращает талантливого исследователя в сильного независимого PI, PI — в международно конкурентоспособную research group, группу — в scientific school, а лучшие школы — в источник мировой frontier science.

Главный объект программы:

не:

publication.

Не:

institution.

И даже не:

grant.

Главный объект:

scientific trajectory.

Предлагается пакет из 30 стратегических мероприятий.

68.1. GLR-SCI-MIN-01. Создать National Scientific Power Dashboard

Россия должна видеть научную систему значительно глубже обычной статистики.

Единый dashboard включает:

researchers;

R&D expenditure;

PhD;

postdocs;

publications;

field-normalized citation impact;

top-10% papers;

top-1% papers;

top-0,1% papers;

Nature Index;

международное collaboration;

leading PIs;

frontier groups;

scientific infrastructure;

international recruitment;

воспроизводство научных школ.

Для каждого показателя:

Россия;

мировой лидер;

top-3;

top-10;

текущий уровень;

пятилетняя trajectory.

Главный принцип:

ни один scientometric indicator не используется самостоятельно.

68.2. GLR-SCI-MIN-02. Создать Russian Frontier Science Map

Единицей анализа становится:

не только university;

не только institute;

но прежде всего:

PI + research group.

Для каждого scientific domain определяются:

Global Frontier;

Russian Frontier;

Internationally Competitive Groups;

Rising Groups;

Emerging Young Groups.

Система должна знать:

кто именно в России находится ближе всего к мировому frontier.

68.3. GLR-SCI-MIN-03. Измерять верхний хвост scientific impact

Средняя цитируемость скрывает главное.

Для каждой области измеряется:

доля работ России в мировом:

top-10%;

top-1%;

top-0,1%.

Отдельно:

domestic research;

international collaborations;

young groups;

leading laboratories.

Цель:

не максимизировать average.

А:

увеличить плотность исследований, которые находятся в самом верхнем слое мирового научного влияния.

68.4. GLR-SCI-MIN-04. Провести международный аудит сильнейших российских research groups

Необходимо определить:

какие группы действительно:

конкурируют с world top;

создают собственную agenda;

разрабатывают новые methods;

имеют internationally recognized PI;

притягивают учеников;

воспроизводят сильных исследователей.

Оценка проводится:

по field-specific rules

с участием:

лучших доступных внешних experts.

Результат:

не рейтинг ради рейтинга.

Результат:

карта мест, куда имеет смысл концентрировать дополнительный научный ресурс.

68.5. GLR-SCI-MIN-05. Создать 100–150 Frontier Research Groups

Формируется первый национальный пул групп,

которые имеют реальную вероятность войти:

в мировой верхний слой.

Они получают:

долгосрочное финансирование;

equipment access;

postdoctoral positions;

PhD positions;

research engineers;

international mobility;

administrative support.

Срок:

5–7 лет.

Главный KPI:

изменение мировой позиции research group.

Не:

количество отчетов.

68.6. GLR-SCI-MIN-06. Создать Frontier Investigator Grant

Сильный scientist должен иметь возможность строить:

research program,

а не постоянно собирать краткосрочные projects.

Создается:

5–7-летний grant.

Финансирование привязано:

к PI

и:

к его scientific trajectory.

Оно включает:

team;

equipment;

consumables;

compute;

data;

travel;

research support.

Midterm review

задает вопрос:

сохраняет ли research program высокий scientific potential?

а не:

выполнено ли первоначальное обещание статьи номер 17?

68.7. GLR-SCI-MIN-07. Создать Young Independent Investigator Program

Один из главных bottlenecks российской науки:

переход:

young researcher → independent PI.

Лучшие молодые ученые получают:

собственный budget;

небольшую laboratory;

2–4 PhD/postdoc positions;

equipment access;

право самостоятельно формировать agenda.

Смысл:

не удерживать талантливого исследователя:

помощником известного scientist

до 40–45 лет.

А:

раньше проверить его способность создать собственную научную школу.

68.8. GLR-SCI-MIN-08. Построить полноценный российский postdoctoral market

Postdoc должен стать:

стандартным этапом scientific career.

Контракт:

2–3 года.

Обязательные элементы:

competitive salary;

research budget;

межинституциональная mobility;

international recruitment.

Postdoc не должен быть:

дешевым продолжением аспирантуры.

Он должен быть:

периодом ускоренного формирования будущего независимого PI.

68.9. GLR-SCI-MIN-09. Создать Return Grant

Сильный researcher, прошедший:

PhD;

postdoc;

работу в международной frontier laboratory,

должен иметь возможность:

вернуться

и быстро получить:

laboratory;

grant;

positions;

equipment.

Необходимо сделать обратный переход:

global science → Russian science

простым.

Это превращает:

brain drain

в:

brain circulation.

68.10. GLR-SCI-MIN-10. Создать Global Research Chair

Россия должна конкурировать:

не только за российских scientists.

В программу допускаются:

researchers любой национальности.

Package:

5–7 лет;

laboratory budget;

research positions;

housing support;

administrative support;

доступ к инфраструктуре.

Главный criterion:

scientific excellence.

68.11. GLR-SCI-MIN-11. Финансировать scientific unit, а не знаменитое имя

Приглашение strong professor без:

postdocs;

engineers;

equipment;

students

дает слабый результат.

Поэтому recruitment package формируется:

для всей:

research unit.

Scientist приезжает не:

на должность.

Он приезжает:

создать scientific capability.

68.12. GLR-SCI-MIN-12. Создать National Core Facility Network

Крупные scientific installations объединяются:

в единую систему доступа.

Researcher видит:

что существует;

где;

характеристики;

availability;

стоимость;

technical support.

Booking:

цифровой.

Главный показатель:

не:

сколько оборудования закуплено.

А:

сколько сильной науки произведено с его помощью.

68.13. GLR-SCI-MIN-13. Перейти к lifecycle funding оборудования

При покупке сложной установки одновременно финансируются:

maintenance;

service;

software;

calibration;

consumables;

technical personnel;

modernization.

CAPEX без OPEX:

не создает world-class infrastructure.

68.14. GLR-SCI-MIN-14. Создать Research Engineer Corps

Современная лаборатория требует:

research software engineers;

instrument engineers;

data engineers;

technicians;

electronics specialists.

Создается отдельная:

профессиональная research-engineering career.

У этих людей появляются:

career ladder;

competitive salary;

professional status.

PI не должен тратить время:

на работу,

которую лучше выполняет specialist.

68.15. GLR-SCI-MIN-15. Создать National Scientific Compute

Для:

AI;

physics;

materials;

biology;

climate;

chemistry;

engineering

предоставляется competitive access к:

HPC;

GPU;

large storage;

scientific cloud.

Compute становится:

такой же национальной research infrastructure,

как:

synchrotron

или:

microscope.

68.16. GLR-SCI-MIN-16. Создать National Research Data Infrastructure

Scientific data получает:

persistent identifier;

metadata;

versioning;

storage;

access policy.

Принцип:

максимально открыто там, где возможно; закрыто там, где необходимо.

Data рассматривается:

как scientific asset.

68.17. GLR-SCI-MIN-17. Создать Scientific Procurement Fast Track

Scientific experiment не должен останавливаться:

из-за трехмесячной закупки reagent,

detector

или:

specific component.

Вводится специальный procurement regime:

fast;

auditable;

transparent.

Контроль:

сохраняется.

Cycle time:

резко сокращается.

68.18. GLR-SCI-MIN-18. Создать professional research administration

PI освобождается от значительной части:

procurement;

routine contracts;

travel documents;

report formatting;

administrative workflow.

Professional team берет это:

на себя.

Главный ресурс:

который система должна экономить:

время лучшего scientist.

68.19. GLR-SCI-MIN-19. Отказаться от механического publication KPI

Нельзя задавать:

каждому researcher:

N papers annually.

Это стимулирует:

fragmentation;

low-value publications;

authorship inflation.

Оценивается:

research portfolio.

Учитываются:

novelty;

impact;

methods;

datasets;

scientific software;

new questions;

people trained.

Bibliometrics:

помогает экспертному решению, но не заменяет его.

68.20. GLR-SCI-MIN-20. Создать High-Risk Science Fund

Часть funding специально направляется:

в проекты,

где:

probability of failure высока,

но:

potential scientific impact огромен.

Главный review question:

если hypothesis окажется правильной, насколько сильно изменится field?

Failure допустим.

Research misconduct:

нет.

68.21. GLR-SCI-MIN-21. Создать Rapid Discovery Grants

Некоторые opportunities нельзя ждать:

следующего годового конкурса.

Если появляется:

новый phenomenon;

unique dataset;

unexpected experimental signal;

critical observation window,

small grant должен быть доступен:

за недели.

68.22. GLR-SCI-MIN-22. Создать Seed Grants для radical hypotheses

До большого проекта ученому иногда нужно:

провести один эксперимент.

Финансирование:

6–12 месяцев.

Если hypothesis получает подтверждение:

проект может быстро перейти:

на следующий funding level.

68.23. GLR-SCI-MIN-23. Ввести полноценный Research Integrity Standard

Создается независимая инфраструктура:

scientific integrity.

Она работает с:

fabrication;

falsification;

plagiarism;

paper mills;

fake peer review;

citation manipulation;

authorship abuse.

Но система одновременно:

защищает scientist

от:

необоснованного обвинения.

Scientific integrity:

это не карательная функция.

Это:

инфраструктура доверия к результату.

68.24. GLR-SCI-MIN-24. Создать Reproducibility Program

Для областей с высоким риском невоспроизводимости финансируются:

replication;

data validation;

code validation;

benchmarking.

Особенно:

AI;

biomedicine;

experimental sciences.

Подтверждение сильного результата:

также является:

scientific work.

68.25. GLR-SCI-MIN-25. Создать International Collaboration Fund

Финансируются:

joint projects;

shared laboratories;

joint PhD;

postdoc exchange;

equipment access;

scientific workshops;

shared datasets.

Но международное соавторство:

не становится KPI.

Критерий:

добавляет ли партнер уникальную scientific capability?

68.26. GLR-SCI-MIN-26. Создать Strategic Scientific Catch-Up Programs

Особые усилия необходимы там,

где российский разрыв особенно велик,

а будущая технологическая значимость высока:

biotechnology;

genomics;

synthetic biology;

health sciences;

neuroscience;

AI-enabled science;

advanced materials;

quantum science.

Для каждого field определяется:

world frontier;

Russian gap;

required talent;

required infrastructure;

пятилетний capability target.

68.27. GLR-SCI-MIN-27. Использовать традиционные российские strengths для входа в новые fields

Россия не должна копировать:

каждую scientific system

с нуля.

Необходимо соединять:

mathematics + biology;

physics + medicine;

chemistry + AI;

materials + quantum;

computer science + neuroscience;

engineering + life sciences.

Задача:

превратить старые научные преимущества в новые scientific domains.

68.28. GLR-SCI-MIN-28. Создать National Scientific School Program

Сильный PI оценивается:

не только по своим papers.

Но и по вопросу:

сколько самостоятельных ученых он создал?

Для сильнейших schools финансируются:

PhD;

postdocs;

young PI spin-offs.

Показатель:

через 5–10 лет:

сколько учеников создали:

собственные competitive groups.

68.29. GLR-SCI-MIN-29. Перестроить аспирантуру вокруг real research

PhD student входит:

в operating laboratory.

До его приема должны существовать:

PI;

research program;

funding;

equipment;

scientific problem.

PhD перестает быть:

продолжением classroom education.

Он становится:

профессиональным входом в производство нового знания.

68.30. GLR-SCI-MIN-30. Создать прозрачную PI career ladder

Scientific career:

PhD;

postdoc;

young PI;

PI;

senior PI;

scientific director.

Для каждой ступени понятны:

criteria;

funding opportunities;

responsibility;

expected independence.

Возраст:

не должен автоматически определять:

scientific status.

68.31. Особый принцип программы: concentration + contestability

Scientific excellence требует:

концентрации resources.

Но чрезмерная концентрация создает:

закрытые клубы.

Поэтому необходимы одновременно:

Concentration

лучшие получают:

значительно больше resources.

Contestability

новая group может:

войти в верхний слой.

Старая group может:

его покинуть.

Финансирование не превращается:

в наследственную административную ренту.

68.32. Система должна уметь закрывать слабые scientific trajectories

Freedom to fail:

не означает:

funding forever.

Если направление:

перестало быть promising;

competitor ушел далеко вперед;

hypothesis систематически не подтверждается,

система должна уметь:

остановить программу.

И перенаправить:

resources.

Это не наказание.

Это:

нормальное portfolio management науки.

68.33. Но failure нельзя использовать как основание для наказания scientist

Иначе researchers начинают:

выбирать только safe topics.

Различаются:

Good Failure

честная сильная попытка проверить:

рискованную hypothesis.

Bad Failure

слабая постановка;

плохая работа;

research misconduct.

Первая:

необходима frontier science.

Вторая:

не должна финансироваться повторно без изменения.

68.34. Пятилетний финансовый ориентир

Российская R&D intensity должна перейти:

от уровня около 1% ВВП

к:

не менее 1,5% ВВП

как минимальной промежуточной цели.

Но увеличение должно быть:

структурным.

Дополнительный ресурс прежде всего направляется:

на:

frontier groups;

young PIs;

postdocs;

research infrastructure;

fundamental research;

high-risk science.

68.35. Цель по Nature Index

Исходный уровень установлен:

в предыдущей главе.

Пятилетняя минимальная цель:

войти в top-15 мира overall.

В российских традиционно сильных natural sciences:

войти в top-10–12.

Это национальный benchmark.

Он не превращается:

в individual publication target.

68.36. Цель по top-1% papers

Первый threshold:

устойчиво превысить мировую baseline 1%.

Следующий:

1,2–1,3%.

В отдельных сильных fields:

выше.

Это означает:

Россия начинает производить:

непропорционально большую долю:

high-impact research.

68.37. Цель по frontier groups

Через пять лет:

не менее:

100–150 internationally competitive research groups.

При этом:

20–30

должны приблизиться:

к мировому top-tier

в своих narrow fields.

68.38. Цель по Young PI

Ежегодно система должна создавать:

сотни реальных independent PI opportunities.

Не:

«молодежные проекты» внутри чужой laboratory.

А:

собственный:

budget;

team;

agenda.

68.39. Цель по postdoctoral system

Формируется:

полноценный national postdoctoral market

с:

тысячами positions;

mobility;

international recruitment.

68.40. Цель по international talent

Российские laboratories должны системно принимать:

foreign:

PhD;

postdocs;

PIs.

Показатель успеха:

не только:

сколько российских scientists вернулось.

Но:

сколько сильных non-Russian scientists добровольно выбрали российскую scientific system.

68.41. Пятилетняя последовательность

Год 1

Scientific Power Dashboard;

Frontier Science Map;

PI census;

equipment audit;

top-1% baseline.

Год 2

Frontier Investigator Grants;

Young PI;

Postdoc Program;

High-Risk Fund.

Год 3

Core Facilities;

Research Compute;

Research Data;

Research Engineer Corps;

Fast Procurement.

Год 4

Global Research Chairs;

Return Grants;

international laboratories;

joint PhD;

visiting scientists.

Год 5

scale-up лучших groups;

закрытие слабых mechanisms;

концентрация resources вокруг доказанного excellence.

68.42. Чего программа-минимум не делает

Она не пытается:

административно создать Nobel Prize;

заказать breakthrough;

назначить top-1% paper;

запретить scientific risk;

сделать все universities одинаково сильными;

превратить fundamental science в филиал промышленности.

Она создает:

условия, при которых вероятность выдающейся науки резко возрастает.

68.43. Новая операционная модель

До реформы возможен путь:

student;

researcher;

project;

paper;

новый project.

После:

talent → postdoc → PI → strong group → frontier trajectory → scientific school → global impact.

Именно переходы между этими состояниями:

становятся объектом управления.

68.44. Что будет означать успешный минимум

Россия еще не обязательно станет:

научной державой номер один.

Но она должна создать:

систему уровня сегодняшних scientific leaders.

Сильный scientist будет иметь:

доступ к ресурсам;

длинный horizon;

autonomy;

team;

equipment;

global network.

Strong young scientist сможет:

быстро стать independent.

World-class researcher сможет:

приехать.

Research equipment будет:

работать.

Scientific failure:

станет допустим.

Scientific misconduct:

нет.

68.45. Конечная задача субпрограммы-минимум

Россия должна научиться:

систематически производить scientific excellence.

Не отдельными:

случайными breakthrough.

А:

повторяемой институциональной системой.

Но даже это означает:

в основном достижение уровня,

который уже существует:

в лучших американских;

китайских;

европейских scientific ecosystems.

Глобальное лидерство требует следующего шага.

Не только:

создавать сильные группы.

А:

уметь временно концентрировать лучших ученых, оборудование, данные, AI, инженеров и финансирование страны и мира вокруг нескольких вопросов такой сложности, которые невозможно решить одной laboratory.

Именно отсюда начинается:

Глава 69. Субпрограмма-максимум: система концентрации научных суперкоманд

Главная идея субпрограммы-максимум:

будущий breakthrough все чаще требует не одного выдающегося scientist, а правильно собранной комбинации нескольких выдающихся scientific capabilities.

Один PI может быть лучшим:

в theoretical physics.

Другой:

в microscopy.

Третий:

в AI.

Четвертый:

в materials synthesis.

Пятый:

в instrumentation.

По отдельности:

каждый способен создать сильную science.

Вместе:

они могут решить задачу,

которую:

ни одна из laboratories не способна решить самостоятельно.

Современный мировой frontier уже использует такую логику.

ERC Synergy Grant, например, специально финансирует команды из двух–четырех PIs для научных проблем, которые один PI решить не способен; ключевым критерием остается scientific excellence и реальный synergistic effect.

Но предлагаемый российский максимум должен идти дальше.

Не:

отдельный конкурс team grants.

А:

постоянная национальная система обнаружения scientific grand questions и сборки вокруг них временных научных суперкоманд из лучших доступных специалистов независимо от института, города, ведомства и страны.

69.1. Почему сильная laboratory и суперкоманда — разные вещи

Laboratory обычно построена вокруг:

одного PI;

одного disciplinary core;

одной institution;

относительно устойчивого состава.

Суперкоманда строится:

вокруг проблемы.

Например, проблема может одновременно требовать:

математику;

AI;

experimental physics;

new materials;

instrument engineering;

high-performance computing.

Ни одна обычная laboratory:

не должна содержать:

все эти capabilities постоянно.

Следовательно:

суперкоманда — временная конфигурация лучших research groups вокруг одной сверхсложной scientific objective.

69.2. Центральный принцип: problem first, institution second

Традиционная система спрашивает:

какая organization получит проект?

Система суперкоманд спрашивает:

какая конфигурация людей в мире имеет максимальную вероятность решить этот scientific problem?

После этого под эту конфигурацию:

создается administrative shell.

Не наоборот.

69.3. Почему институты все равно необходимы

Отказ от institutional walls не означает:

отказ от institutions.

Harvard;

CAS;

Tsinghua;

Max Planck;

другие мировые лидеры создают:

dense scientific environments.

Nature Index 2026 снова показывает чрезвычайно высокую концентрацию high-quality output в небольшом числе организаций: Chinese Academy of Sciences занимает первое место общего institutional ranking, за ней находятся крупные китайские университеты и Harvard.

Но следующий frontier:

научиться поверх сильных институтов создавать еще более сильные problem-specific configurations.

69.4. Три уровня организации науки

Level 1. Researcher

индивидуальная capability.

Level 2. Research Group

устойчивая capability вокруг PI.

Level 3. Scientific Superteam

временная система из нескольких complementary frontier capabilities.

Субпрограмма-минимум строит:

первые два уровня.

Субпрограмма-максимум:

третий.

69.5. Что такое Scientific Superteam

Scientific Superteam должна иметь:

2–7 ведущих PIs;

несколько complementary research groups;

единый scientific objective;

единый budget;

общую data infrastructure;

shared equipment access;

research engineers;

project science leadership;

достаточно длинный horizon.

Размер зависит:

от problem.

Это может быть:

20 человек.

Может:

Для large experimental science:

значительно больше.

Главное:

суперкоманда определяется не числом людей, а невозможностью решить задачу простой суммой независимых проектов.

69.6. Главный benchmark — Synergy

Если пять сильных scientists работают:

параллельно

и просто пишут:

пять papers,

это не:

superteam.

Она существует только тогда,

когда:

capability A

усиливает:

B,

B открывает эксперимент:

C,

C создает данные:

D,

D изменяет theory:

A.

То есть возникает:

research feedback loop.

69.7. GLR-SCI-MAX-01. Создать Global Scientific Problem Radar

Первый вопрос:

какие задачи заслуживают суперкоманд?

Создается постоянная система анализа:

scientific publications;

citation trajectories;

new methods;

major conferences;

preprints;

research grants;

scientific instruments;

patent landscapes;

technology bottlenecks.

AI помогает обнаруживать:

new emerging fields;

unsolved anomalies;

rapidly growing scientific questions;

areas approaching methodological breakthrough.

69.8. GLR-SCI-MAX-02. Создать National Grand Question Board

Несколько десятков outstanding scientists ежегодно формулируют:

не отраслевые планы,

а:

главные открытые scientific questions, где Россия способна создать мировой breakthrough.

Board:

не распределяет гранты своим members.

Он формирует:

problem landscape.

Selection funding проводится:

отдельно.

69.9. GLR-SCI-MAX-03. Разделить scientific questions на три класса

Frontier Race

Мировой вопрос уже очевиден.

Многие страны:

соревнуются.

Нужно:

догнать или опередить.

Emerging Frontier

Вопрос только формируется.

Существует шанс:

стать первым mover.

Unknown Unknown Exploration

Нет понятного technology roadmap.

Но anomaly или theoretical gap:

может открыть:

новую область.

Суперкоманды необходимы:

для всех трех,

но architecture будет:

разной.

69.10. GLR-SCI-MAX-04. Создать Scientific Capability Genome

Чтобы быстро собрать team,

страна должна знать:

не просто:

кто где работает.

Необходимо machine-readable описание:

scientific capabilities.

Для каждого PI/group:

methods;

equipment;

datasets;

software;

theories;

organisms;

materials;

instruments;

publication graph;

collaboration graph.

Это:

Scientific Capability Genome.

69.11. GLR-SCI-MAX-05. Создать AI Superteam Builder

Для выбранной scientific problem AI анализирует:

какие capabilities необходимы.

Затем ищет:

лучшие combinations.

Не только:

самых цитируемых scientists.

А:

complementarity.

Например:

PI A — theory;

PI B — rare experimental method;

PI C — AI;

PI D — unique dataset;

PI E — instrumentation.

Затем система оценивает:

prior collaboration;

scientific overlap;

conflicts;

geographic constraints;

equipment dependency.

69.12. AI не назначает суперкоманду

Это принципиально.

AI предлагает:

candidate configurations.

Scientific panel принимает:

решение.

Потому что:

team chemistry;

scientific judgment;

creative compatibility

плохо сводятся:

к bibliometric graph.

69.13. GLR-SCI-MAX-06. Создать Open Superteam Call

После формулирования grand question:

любой scientist может предложить:

другую architecture.

То есть государство не говорит:

«вот пять назначенных академиков».

Оно говорит:

«вот scientific problem. Покажите, какая команда имеет лучший путь к breakthrough».

Это сохраняет:

contestability.

69.14. GLR-SCI-MAX-07. Ввести принцип Multi-PI Leadership

У суперкоманды не обязательно должен быть:

один абсолютный руководитель.

Для complex problems возможна архитектура:

Scientific Lead;

Experimental Lead;

Theory Lead;

Platform Lead.

ERC Synergy уже институционализирует модель нескольких независимых PIs, объединенных одной задачей.

Российская система должна научиться:

управлять:

multi-PI science.

69.15. GLR-SCI-MAX-08. Создать Scientific Integrator

Сильный scientist:

не обязательно сильный integrator.

В каждой большой superteam появляется роль:

Scientific Integrator.

Он понимает:

общую problem architecture

и обеспечивает:

interfaces между groups.

Это не:

administrative project manager.

Это:

scientist,

который видит:

всю систему.

69.16. GLR-SCI-MAX-09. Создать Science Operations Director

Параллельно нужен:

professional operations leader.

Он отвечает:

hiring;

procurement;

contracts;

milestones;

equipment;

travel;

data agreements.

Scientist:

не должен превращаться:

в директора строительства.

69.17. GLR-SCI-MAX-10. Финансировать людей, а не ведомственные границы

Researcher может работать:

в РАН;

университете;

hospital;

corporation;

private lab.

Если capability нужна:

superteam,

funding должен:

пересекать institutional borders.

Создается:

единый superteam budget.

69.18. GLR-SCI-MAX-11. Ввести scientific portability

Участник superteam может:

сменить institution,

не разрушая:

project.

Funding follow:

scientific capability,

если review подтверждает:

ее необходимость.

Это резко увеличивает:

mobility.

69.19. GLR-SCI-MAX-12. Создать семилетний Superteam Grant

Frontier problems требуют:

времени.

Базовый horizon:

5–7 лет.

Это соответствует общей мировой логике long-term investigator support: например, HHMI Investigators получают семилетние возобновляемые назначения, а Max Planck Research Groups дают независимым руководителям собственные бюджеты и personnel resources.

Но superteam получает:

не просто длинный grant.

Она получает:

возможность:

перестраиваться внутри срока.

69.20. GLR-SCI-MAX-13. Ввести Adaptive Budget

В начале никто не знает:

где именно возникнет breakthrough.

Поэтому нельзя на семь лет заранее:

зафиксировать каждую бюджетную строку.

PI constellation получает право:

переносить существенную часть средств:

между:

experiments;

compute;

people;

equipment.

С обязательным:

audit trail.

69.21. GLR-SCI-MAX-14. Создать Superteam Equipment Fast Track

Если breakthrough требует:

нового instrument,

команда не должна ждать:

обычный многолетний infrastructure cycle.

Создается fast track:

design;

procurement;

construction;

commissioning.

Для unique research instrumentation:

разрешается:

in-house engineering.

69.22. GLR-SCI-MAX-15. Включить Research Engineers внутрь superteam

Complex science требует:

не только PIs.

В team сразу входят:

software engineers;

instrument engineers;

data engineers;

lab automation specialists;

scientific programmers.

Это превращает:

idea

в:

operating research system.

69.23. GLR-SCI-MAX-16. Создать Scientific Software Factory

Если project требует:

unique scientific software,

оно не должно собираться:

в свободное время аспиранта.

Выделяется:

professional software team.

Она создает:

codebase;

documentation;

testing;

versioning;

reproducibility.

69.24. GLR-SCI-MAX-17. Создать Superteam Compute Reserve

Для каждой superteam резервируется:

compute envelope.

Она не конкурирует:

еженедельно

за небольшой quota.

Если возникает:

critical computational opportunity,

capacity может:

rapidly scale.

69.25. GLR-SCI-MAX-18. Создать Data Fusion Layer

Разные groups часто имеют:

несовместимые data structures.

Superteam получает:

единый:

data model;

metadata;

repository;

access rules.

Это особенно важно для:

multimodal science.

69.26. GLR-SCI-MAX-19. Создать AI Scientist Layer

Каждая superteam получает:

research AI environment.

Он помогает:

literature intelligence;

hypothesis search;

experiment planning;

simulation;

code;

data analysis;

anomaly detection.

Но:

AI не становится:

автономным scientific authority.

Human scientist отвечает:

за:

scientific judgment.

69.27. GLR-SCI-MAX-20. Создать Hypothesis Portfolio

Большой scientific problem не должен зависеть:

от одной hypothesis.

Team ведет:

portfolio:

main hypothesis;

alternatives;

high-risk branch;

unexpected signals.

Раз в:

6–12 месяцев

портфель:

пересматривается.

Это научный аналог:

venture portfolio.

69.28. GLR-SCI-MAX-21. Ввести Red Team Science

Часть ученых получает задачу:

не подтверждать основную hypothesis,

а:

сломать ее.

Red team ищет:

alternative explanations;

hidden assumptions;

methodological weaknesses;

replication failure.

Если main hypothesis survives:

она становится сильнее.

69.29. GLR-SCI-MAX-22. Создать Internal Replication Unit

До landmark publication ключевой result:

пытается воспроизвести:

другая часть superteam.

По возможности:

blind.

Это снижает:

false breakthrough risk.

69.30. GLR-SCI-MAX-23. Создать Scientific Kill Gate

Раз в:

18–24 месяца

независимая review board отвечает:

есть ли:

прогресс;

новая информация;

scientific promise?

Возможны решения:

continue;

expand;

reconfigure;

merge;

terminate.

Даже очень престижный PI:

не получает automatic continuation.

69.31. GLR-SCI-MAX-24. Разрешить замену PI внутри суперкоманды

Это необычно,

но необходимо.

Если определенная capability перестала соответствовать:

new trajectory,

superteam может:

добавить;

заменить;

отпустить

group.

Не разрушая:

весь project.

Объект управления:

problem-solving capability.

69.32. GLR-SCI-MAX-25. Создать Global Talent Socket

Superteam должна иметь возможность быстро подключить:

scientist из любой страны.

Форматы:

full relocation;

joint appointment;

visiting PI;

remote group;

6-month residency;

shared postdoc.

Мировая science:

слишком распределена,

чтобы пытаться физически перевезти:

каждого необходимого specialist.

69.33. GLR-SCI-MAX-26. Создать 72-hour Visiting Scientist Mechanism

Если superteam срочно нужен:

конкретный expert

на несколько недель,

не должно требоваться:

многомесячное оформление.

Для approved scientific visitors:

создается:

rapid invitation;

housing;

workspace;

data access;

payment.

69.34. GLR-SCI-MAX-27. Создать International Joint Superteams

Часть scientific problems изначально:

глобальны.

Россия может быть:

lead hub,

а complementary groups находиться:

в других странах.

Главное:

не ownership всех scientists.

Главное:

centrality России в research network.

69.35. GLR-SCI-MAX-28. Создать Superteam Campus

Для нескольких flagship problems создается:

physical environment,

где scientists могут:

временно работать вместе.

Не новый university.

А:

high-density scientific campus.

Он имеет:

labs;

compute;

meeting rooms;

instrumentation;

housing;

research support.

69.36. Почему physical proximity все еще важна

Remote collaboration эффективна:

для многих задач.

Но новый scientific language часто возникает:

из:

ежедневного взаимодействия;

whiteboard;

unexpected discussion;

joint experiment.

Поэтому superteam должна иметь:

периоды:

high-intensity co-location.

69.37. GLR-SCI-MAX-29. Создать Scientific Collision Program

Раз в несколько месяцев:

superteam проводит:

закрытую intensive session.

Каждая group показывает:

не polished paper,

а:

unsolved problems;

negative results;

anomalies;

failed experiments.

Именно там часто появляется:

новая connection.

69.38. GLR-SCI-MAX-30. Создать Anomaly Bank

Неудачный experiment может содержать:

новую science.

Но обычно anomaly:

теряется.

Все unexplained results:

структурируются.

AI ищет:

connections

между:

разными experiments.

Цель:

превратить научные «ошибки» в источник новых hypotheses.

69.39. GLR-SCI-MAX-31. Создать Negative Results Repository внутри superteam

Scientist не должен:

три месяца повторять:

эксперимент,

который другая group уже провалила.

Internal negative results:

доступны всей team.

Это повышает:

research efficiency.

69.40. GLR-SCI-MAX-32. Создать Superteam Knowledge Graph

Каждая:

hypothesis;

experiment;

dataset;

paper;

instrument;

failure;

decision

связывается:

в единый graph.

Новый researcher может:

за несколько дней понять:

project history.

Так knowledge не исчезает:

при уходе человека.

69.41. GLR-SCI-MAX-33. Создать Frontier Instrumentation Teams

Иногда новый scientific result невозможен:

потому что нужного прибора:

не существует.

Тогда superteam получает:

отдельную engineering group,

чья research objective:

создать новый instrument.

Многие scientific revolutions были одновременно:

instrument revolutions.

69.42. GLR-SCI-MAX-34. Связать суперкоманды с Global IP Factory

Fundamental science:

не обязана коммерциализироваться.

Но если результат создает:

patentable invention,

IP system должна подключаться:

до disclosure.

Не мешая:

scientific publication.

Связка:

Science Superteam → IP Factory

позволяет:

быстро определить:

patent;

publication;

trade secret;

open science.

69.43. GLR-SCI-MAX-35. Создать Science-to-Technology Transition Team

Когда фундаментальный result начинает:

создавать technological opportunity,

не нужно превращать:

PI

в:

industrial manager.

К нему подключается:

отдельная transition team:

engineers;

IP specialists;

product experts;

venture builders.

Scientist продолжает:

science.

69.44. GLR-SCI-MAX-36. Создать Superteam School

Каждая крупная superteam одновременно является:

training environment.

Она имеет:

PhD cohort;

postdocs;

young PIs.

Но student не становится:

винтиком mega-project.

У него должна быть:

собственная scientific identity.

69.45. GLR-SCI-MAX-37. Создать spin-off research groups

Если внутри superteam возникает:

новая promising trajectory,

young scientist может получить:

собственную group.

То есть superteam:

не только производит results.

Она производит:

новые scientific organizations.

69.46. GLR-SCI-MAX-38. Создать Global Scientific Superteam League

Раз в два года российские superteams сравниваются:

не между собой,

а:

с global frontier.

Для каждой:

top competitors;

leading groups;

key discoveries;

methodological position;

talent attraction.

Вопрос:

не:

«лучшие ли мы в России?»

А:

«находимся ли мы среди трех–пяти команд мира, способных решить эту проблему первыми?»

69.47. GLR-SCI-MAX-39. Ввести Breakthrough Readiness Index

Не оценивается:

вероятность Nobel Prize.

Это невозможно.

Но можно оценить:

наличие:

frontier talent;

complementary capabilities;

unique instrument;

data;

scientific autonomy;

financial runway;

global network.

То есть:

готовность системы к breakthrough.

69.48. GLR-SCI-MAX-40. Создать Национальную AI-АСУ научных суперкоманд

Все предыдущие элементы объединяются:

в одну операционную систему.

Она включает:

Global Problem Radar;

Scientific Capability Genome;

Superteam Builder;

Talent Radar;

research graph;

data layer;

compute layer;

equipment map;

hypothesis portfolio;

milestone system;

global competitor monitoring.

Это не:

централизованный робот,

который командует science.

Это:

информационная система, которая помогает людям быстрее собирать лучшую возможную scientific configuration.

69.49. Сколько суперкоманд необходимо России

Ошибка:

создать:

5000 суперкоманд.

Если все:

super,

никто:

не super.

На первом пятилетнем цикле:

разумная architecture:

20–30 flagship superteams

по наиболее сильным и перспективным scientific problems.

Дополнительно:

50–100 emerging teams

получают меньшие:

formation grants

для проверки:

synergy.

После 18–24 месяцев:

лучшие:

масштабируются.

69.50. Размер funding

Superteam funding:

не может быть одинаковым.

Theoretical mathematics:

может потребовать:

относительно небольшой budget.

Experimental physics:

значительно больший.

Biomedical platform:

еще другой.

Поэтому:

нет:

универсальной суммы.

Принцип:

budget определяется cost structure scientific problem, а не административной категорией конкурса.

69.51. Срок существования суперкоманды

Superteam:

не должна автоматически превращаться:

в вечный институт.

Базовый срок:

5–7 лет.

После этого:

вариант A

problem solved —

team распадается.

вариант B

появилась новая world-class field —

создается новый institute.

вариант C

части команды становятся:

independent groups.

вариант D

trajectory потеряла value —

program закрывается.

69.52. Почему это лучше строительства новых институтов под каждую задачу

Новый institute требует:

building;

administration;

permanent staff;

long-term fixed costs.

Но scientific frontier:

двигается быстрее.

Superteam model позволяет:

создавать организацию со скоростью scientific problem.

69.53. Российский scientific advantage может быть именно организационным

США имеют:

огромную elite university system.

Китай:

гигантский scale и быстро растущие mega-universities.

Германия:

Max Planck и другие research organizations.

России трудно:

за пять лет повторить:

всю institutional history этих systems.

Но можно попытаться:

перепрыгнуть уровень.

Не строить:

еще 50 копий существующего institute.

А:

создать лучшую в мире систему динамической сборки research teams поверх существующих институтов.

69.54. Это scientific cloud architecture

Аналогия:

традиционный scientific institute —

dedicated server.

Superteam system —

scientific cloud.

Capabilities:

подключаются:

когда нужны.

Compute;

equipment;

talent;

data;

engineering.

После завершения problem:

resources освобождаются:

для следующей задачи.

69.55. Главный KPI — не publications

Суперкоманда оценивается:

по вопросу:

изменилось ли состояние мирового знания?

Промежуточные signals:

new phenomenon;

new theory;

new method;

new instrument;

new dataset;

new benchmark;

top-1% papers;

global adoption;

new scientific field.

Publication count:

только один:

след.

69.56. KPI №2 — World Position of the Team

Для каждой superteam регулярно определяется:

где находятся:

global competitors.

Цель:

войти:

в мировой top-3–5 по выбранной scientific problem.

Если через несколько лет team остается:

только national leader,

нужно понять:

почему.

69.57. KPI №3 — Talent Attraction

Сильная superteam должна:

притягивать.

Измеряются:

applications на PhD;

applications postdoc;

visiting scientists;

global PI interest.

Если за ресурсами приезжают,

но strong scientists:

не хотят входить в team,

проблема:

глубже funding.

69.58. KPI №4 — Capability Creation

После проекта должны оставаться:

new methods;

instruments;

datasets;

software;

young PIs;

spin-off groups.

Даже если main hypothesis:

не подтвердится,

superteam может создать:

значительную national capability.

69.59. KPI №5 — Breakthrough Conversion

Измеряется:

какая доля superteams:

создала:

результат,

который заметно изменил:

world field.

Не ожидается:

100%.

Если 100% проектов объявлены:

breakthrough,

система:

не умеет измерять science.

69.60. Каким должен быть acceptable failure rate

High-risk science обязательно:

проваливается.

Если ни одна superteam не закрыта,

значит:

либо topics слишком safe,

либо:

review фиктивен.

Но если закрываются почти все:

selection или management:

слабы.

Цель:

не оптимизировать:

failure percentage.

А:

создать портфель, где успех нескольких проектов способен оправдать риск многих.

69.61. Первый главный риск: академические кланы

Большой funding может:

притянуть political influence.

Поэтому selection:

максимально отделяется:

от existing administrative hierarchy.

Нужны:

external experts;

conflict disclosure;

transparent criteria;

periodic recompetition.

69.62. Второй риск: mega-team становится министерством

Если superteam начинает создавать:

десятки committees;

departments;

approval layers,

она теряет:

преимущество.

Administration должна:

обслуживать:

science.

Не:

управлять scientific content.

69.63. Третий риск: уничтожение individual creativity

Большая команда может подавлять:

неудобную hypothesis.

Поэтому внутри superteam сохраняются:

independent subgroups;

seed grants;

red teams.

Scientist имеет право:

предлагать:

альтернативную trajectory.

69.64. Четвертый риск: авторство превращается в формальность

Если paper имеет:

100 authors,

не всегда ясно:

кто сделал key intellectual contribution.

Необходим:

detailed contribution record.

Scientific career молодых людей:

не должна растворяться:

в mega-authorship.

69.65. Пятый риск: hardware megaproject без science

Можно потратить:

миллиарды

на:

installation

и получить:

слабый scientific program.

Поэтому infrastructure проектируется:

после:

scientific question.

Не:

scientific question

после:

решения построить объект.

69.66. Шестой риск: Superteam Index становится новым бюрократическим KPI

Нельзя приказать:

всем:

создавать суперкоманды.

Большинство science должно продолжаться:

в:

обычных laboratories;

индивидуальных projects;

small groups.

Superteam используется:

только там,

где:

synergy действительно необходима.

69.67. Пятилетняя последовательность программы

Год 1. Map

Problem Radar;

Capability Genome;

10 pilot grand questions;

formation grants.

Год 2. Assemble

первые:

10–15 full superteams;

единые funding и procurement rules;

Scientific Integrators.

Год 3. Scale

20–30 flagship teams;

global recruitment;

Superteam Campus;

AI science layer.

Год 4. Globalize

international joint superteams;

global visitor network;

international scientific challenges.

Год 5. Select

лучшие teams:

расширяются.

Некоторые:

становятся institutes.

Некоторые:

создают new groups.

Слабые:

закрываются.

69.68. Минимум и максимум — фундаментальное различие

Субпрограмма-минимум спрашивает:

как сделать каждую сильную research group конкурентоспособнее?

Субпрограмма-максимум:

как соединить несколько лучших groups так, чтобы возникла новая capability, которой ни у одной из них по отдельности нет?

Минимум:

строит:

scientific excellence.

Максимум:

концентрирует excellence вокруг breakthrough.

69.69. Пример работы системы

Предположим, Global Problem Radar обнаруживает:

новый unexplained effect в quantum material.

Для его исследования необходимы:

theory;

materials synthesis;

ultrafast spectroscopy;

cryogenic instrumentation;

AI analysis.

Шаг 1

Capability Genome находит:

лучших российских и международных groups.

Шаг 2

Superteam Builder предлагает:

несколько configurations.

Шаг 3

Scientific panel выбирает:

команду.

Шаг 4

Создается:

единый 7-летний budget.

Шаг 5

Instrumentation team строит:

новый measurement system.

Шаг 6

Theory group формирует:

несколько competing hypotheses.

Шаг 7

Red team ищет:

alternative explanations.

Шаг 8

Experimental groups получают:

blind samples.

Шаг 9

AI анализирует:

data anomalies.

Шаг 10

Результат:

подтверждает:

новый physical phenomenon.

Шаг 11

Возникают:

новая theory;

instrument;

dataset;

несколько young PIs;

technology opportunity.

То есть государство финансировало:

не:

набор статей.

Оно создало:

новый участок мирового знания.

69.70. Высшая цель — стать местом, где собирается мировой scientific talent

Настоящий успех будет достигнут:

не тогда,

когда российским ученым запретят:

уезжать.

И не тогда,

когда:

всех вернут.

А когда strong scientist из:

США;

Китая;

Европы;

Индии;

Японии;

другой страны

увидит конкретную scientific problem

и решит:

«лучшее место в мире, чтобы решить ее сейчас, — эта российская superteam».

Тогда возникает:

scientific gravity.

69.71. Сверхзадача программы

Мировое научное лидерство нельзя:

купить одним бюджетом.

Нельзя:

назначить указом.

Нельзя:

получить механическим ростом publications.

Но можно построить систему,

которая:

раньше замечает:

великий scientific question;

быстрее находит:

нужные capabilities;

смелее собирает:

лучших людей;

дольше дает им:

research horizon;

лучше предоставляет:

infrastructure;

быстрее перестраивает:

team,

когда science меняется.

69.72. Конечная архитектура

Национальная научная система получает два взаимодополняющих слоя.

Базовый слой

тысячи:

research groups;

universities;

institutes;

corporate laboratories.

Он создает:

diversity;

talent;

ideas;

methods.

Frontier concentration layer

десятки:

Scientific Superteams.

Они концентрируют:

лучшие capabilities

на:

наиболее сложных задачах.

Первый слой:

создает:

вариативность.

Второй:

создает:

экстремальную концентрацию мощности.

69.73. Конечная формула без математического показателя

Сначала страна должна:

найти талант.

Затем:

дать ему независимость.

Затем:

создать сильную group.

Затем:

соединить complementary groups.

Затем:

сфокусировать их:

на вопросе,

достаточно большом,

чтобы изменить:

мировую science.

То есть полный цикл:

talent → PI → frontier group → complementary groups → scientific superteam → breakthrough → new scientific field → new generation of teams.

69.74. Конечная цель субпрограммы-максимум

Россия должна стать страной,

которая умеет:

не только воспитывать:

выдающихся ученых.

Не только создавать:

выдающиеся laboratories.

А:

быстрее любой другой крупной scientific system собирать из распределенного мирового таланта научную команду максимальной мощности вокруг наиболее перспективной frontier-задачи.

Сегодня лучшие элементы такой модели уже существуют по отдельности: ERC финансирует multi-PI synergy around problems, которые не решаются одним PI; HHMI дает выдающимся исследователям длинный горизонт и ресурс; Max Planck создает независимые группы с собственными personnel и material resources.

Но задача российского maximum:

соединить эти принципы

и добавить:

real-time problem intelligence;

AI capability mapping;

dynamic team assembly;

cross-institutional funding;

adaptive budgets;

rapid infrastructure;

continuous reconfiguration.

Тогда единицей мировой научной конкуренции становится:

не:

университет.

Не:

институт.

Не:

отдельный грант.

А:

научная суперкоманда — временная концентрация лучших доступных человеческих и технологических возможностей вокруг вопроса, ответ на который способен изменить мировое знание.

Именно такую способность и должна создать:

система концентрации научных суперкоманд.

**************************

ЧАСТЬ XVII. СУБПРОГРАММА «ГЛОБАЛЬНОЕ ЛИДЕРСТВО В ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ»

Глава 70. Государства и экосистемы — мировые лидеры ИИ

Искусственный интеллект нельзя измерять одним показателем.

Страна может:

публиковать много AI papers;

иметь сильные университеты;

разрабатывать собственную языковую модель;

массово внедрять AI в компаниях;

иметь огромные data centers;

создавать chips;

привлекать AI startups;

лидировать в regulation

и при этом не быть лидером:

по frontier models.

И наоборот.

Компания может создать одну из сильнейших моделей мира,

но находиться в стране,

где большая часть экономики почти не использует AI.

Поэтому главным объектом этой части является не:

AI activity.

А:

AI Power — способность национальной экосистемы создавать, масштабировать, внедрять и контролировать передовые системы искусственного интеллекта, обеспечивая полный цикл от исследования и вычислений до массового экономического применения.

Современная AI Power имеет несколько независимых уровней.

70.1. Полный AI Power Stack

Минимально необходимо измерять:

1. AI Research

Создает ли страна новое знание?

2. Frontier Models

Способна ли она создавать модели на уровне мирового frontier?

3. Compute

Имеет ли доступ к необходимым вычислительным ресурсам?

4. Semiconductors

Контролирует ли критические элементы hardware stack?

5. Data

Есть ли high-quality data для training и deployment?

6. Talent

Способна ли система выращивать и привлекать AI researchers и engineers?

7. Capital

Может ли компания получить миллиарды долларов для frontier AI?

8. Startup Ecosystem

Возникают ли новые AI companies?

9. Deployment

Использует ли AI обычная экономика?

10. AI Infrastructure

Существуют ли cloud, APIs, tools, open-source ecosystem?

11. AI for Science

Ускоряет ли AI создание нового знания?

12. Evaluation and Safety

Умеет ли страна измерять capabilities и risks?

13. Government Adoption

Использует ли AI государство?

14. Global Reach

Экспортирует ли страна:

models;

cloud;

chips;

AI software;

standards?

Следовательно:

лидерство в AI — лидерство полного технологического стека.

70.2. 2025–2026 годы: AI перестал быть преимущественно академической технологией

Еще десять–пятнадцать лет назад значительная часть frontier machine learning создавалась:

в universities;

research institutes.

Сегодня ситуация изменилась.

Stanford AI Index 2026 фиксирует:

более 90% notable frontier models 2025 года были созданы промышленностью.

Причина фундаментальна.

Frontier AI теперь требует одновременно:

research;

тысяч highly skilled engineers;

огромных datasets;

distributed training infrastructure;

advanced accelerators;

billions of dollars;

production feedback from millions of users.

То есть frontier AI стал:

capital-intensive industrial science.

70.3. Главная мировая конкуренция — США и Китай

Еще несколько лет назад модель была относительно простой.

США:

явно впереди.

Китай:

догоняет.

К 2026 году такая формулировка стала неточной.

Stanford AI Index 2026 прямо констатирует:

разрыв производительности между ведущими американскими и китайскими AI models практически закрылся.

С начала 2025 года модели двух стран несколько раз менялись местами в верхней части benchmarks.

В феврале 2025 года DeepSeek-R1 временно сравнялся с leading U.S. model.

К марту 2026 года преимущество лучшей американской модели в соответствующей aggregate оценке составляло лишь около:

2,7%.

Это один из крупнейших технологических сдвигов десятилетия.

70.4. Но паритет качества моделей не означает равенства экосистем

США сохраняют преимущество:

в количестве frontier models;

private investment;

AI startups;

compute infrastructure;

глобальных cloud platforms;

AI software infrastructure;

части advanced semiconductor stack;

концентрации frontier laboratories.

Китай лидирует:

по AI publication volume;

citations;

количеству AI patents;

масштабу промышленной автоматизации;

rapid deployment;

формированию собственного sovereign technology stack.

Следовательно:

США и Китай сегодня представляют две разные архитектуры AI-сверхдержавы.

70.5. США: frontier-lab model

Основная американская сила сосредоточена вокруг:

OpenAI;

Anthropic;

Google DeepMind;

Meta;

xAI;

Microsoft;

NVIDIA;

Amazon;

других крупных technology companies.

По Stanford AI Index:

в 2025 году американские организации создали:

59 notable AI models

против:

35 китайских.

Особенно важно:

это не государственные AI institutes.

Это преимущественно:

industrial laboratories.

70.6. Frontier AI превратился в новый тип корпорации

Новая frontier AI company одновременно является:

research institute;

software company;

cloud customer;

data company;

infrastructure operator;

developer platform;

consumer service.

Например, research result может:

через несколько недель

оказаться:

в API;

в productivity software;

в coding environment;

у миллионов users.

Получается исключительно короткий цикл:

research → model → API → users → data/feedback → new model.

Это огромное преимущество американской architecture.

70.7. США: беспрецедентная концентрация капитала

В 2025 году private AI investment в США достиг:

285,9 млрд долларов.

В Китае:

около:

12,4 млрд долларов

по сопоставимой private-investment статистике.

То есть формально американский показатель был более чем:

в 23 раза выше.

Stanford отдельно предупреждает:

private-investment statistics недооценивает китайскую систему,

где значительную роль играет:

government-guided capital.

Тем не менее масштаб американского private capital:

исключителен.

70.8. Почему капитал особенно важен именно для frontier AI

Обычный software startup может начать:

с нескольких programmers.

Frontier model developer должен оплачивать:

GPU clusters;

data;

researchers;

inference;

experiments;

failed training runs.

То есть стоимость входа:

резко выросла.

Поэтому AI leadership все сильнее зависит:

от способности финансовой системы:

финансировать чрезвычайно дорогие технологические эксперименты до появления гарантированной business model.

70.9. США: startup factory

В 2025 году в США появилось:

1953 newly funded AI companies.

Это более чем:

в десять раз

выше следующего отдельного государства по соответствующему показателю Stanford.

Смысл огромного startup pool:

не в том,

что каждая компания станет:

OpenAI.

Большинство:

не станет.

Но из тысяч experiments возникают:

new agents;

AI infrastructure;

vertical models;

robotics;

science AI;

security AI;

developer tools.

То есть:

многообразие экспериментов является механизмом поиска следующей AI platform.

70.10. США: мировая столица AI compute

Stanford AI Index 2026 оценивает число data centers в США примерно в:

5427.

Это более чем:

в десять раз

выше показателя любого другого отдельного государства по используемой методологии.

Но data-center count:

не равен AI compute.

Небольшой объект

и:

гигантский AI cluster

считаются отдельными centers.

Поэтому необходимо измерять:

accelerator count;

training FLOPs;

available power;

network bandwidth;

memory;

inference capacity.

Тем не менее показатель демонстрирует:

масштаб американской digital infrastructure.

70.11. Compute превращается в национальный strategic asset

Современный AI cluster требует:

accelerators;

electricity;

cooling;

high-bandwidth networking;

data-center construction;

transformers;

grid connection.

Поэтому AI policy постепенно превращается:

из software policy

в:

energy + semiconductor + infrastructure policy.

Страна может иметь:

выдающихся mathematicians

и все равно:

не иметь frontier AI capability

без compute.

70.12. Мировой HPC frontier также резко ускорился

Июньский TOP500 2026 показывает:

китайский LineShine:

2,198 экзафлопса HPL

американский El Capitan:

1,809 экзафлопса

Frontier:

1,353 экзафлопса

Aurora:

1,012 экзафлопса

европейский JUPITER:

1,000 экзафлопса.

HPC benchmark:

не является прямым показателем training capacity LLM.

Но он показывает:

масштаб вычислительной гонки.

70.13. Китай: первый настоящий альтернативный AI stack

Китай больше не строит AI ecosystem исключительно на основе:

импортных American technologies.

Oxford Insights отмечает движение к sovereign stack:

Chinese models;

Huawei Ascend;

domestic semiconductor production;

собственные cloud platforms;

собственный software ecosystem;

огромный внутренний рынок.

Это стратегически важнее:

одного benchmark score.

Потому что AI superpower должна быть способна:

продолжать развитие

даже при:

ограниченном внешнем доступе.

70.14. Китай: publication leadership

Stanford AI Index 2026 фиксирует лидерство Китая:

по объему AI research publications;

цитированию;

AI patents.

Oxford Insights отмечает дополнительный structural benchmark:

в 2024 году в Китае было:

156 institutions

каждая из которых публиковала более 50 AI papers.

Это означает:

не одну сильную laboratory.

А:

распределенную национальную AI research infrastructure.

70.15. Китай: от research scale к frontier models

Наиболее важный китайский leap:

Qwen;

DeepSeek;

другие китайские model families

стали не локальными substitutes,

а:

мировыми технологическими competitors.

Особенно важен DeepSeek.

Его значение состоит:

не только в конкретном benchmark.

Он показал:

algorithmic efficiency и engineering architecture способны частично компенсировать ограниченность доступа к наиболее advanced hardware.

Это критический урок для всех догоняющих AI systems.

70.16. Второй китайский урок: efficiency является отдельной AI capability

Простейшая стратегия:

покупать больше GPU.

Но мировая гонка идет одновременно:

по:

training efficiency;

inference efficiency;

model compression;

mixture-of-experts;

quantization;

data quality;

post-training;

reasoning efficiency.

Следовательно:

AI compute power = hardware × algorithmic efficiency.

Даже без математического сведения к одной величине принцип очевиден.

Плохой software stack способен:

сжечь огромный compute budget.

70.17. Китай: AI связан с промышленностью

AI Power Китая усиливается:

не только chatbots.

Она соединяется:

с:

robotics;

manufacturing;

computer vision;

autonomous systems;

logistics;

industrial automation.

Поэтому Китай создает:

другую стратегическую архитектуру:

AI + manufacturing.

Это может оказаться не менее важным,

чем:

AI + consumer software.

70.18. Южная Корея: benchmark технологической плотности

Республика Корея существенно меньше:

США;

Китая.

Но Stanford AI Index 2026 вывел страну:

на третью позицию по числу notable models 2025 года

и на первое место:

по AI patents per capita.

Корейское Министерство науки сообщало показатель:

14,31 AI patents на 100 тыс. населения.

Это показывает:

AI leadership возможно не только через огромный абсолютный масштаб, но и через исключительную innovation density.

70.19. Корейский full-stack advantage

Корея имеет:

Samsung;

SK hynix;

semiconductor manufacturing;

memory;

electronics;

telecommunications;

industrial R&D;

universities.

Следовательно, AI ecosystem встроена:

в hardware economy.

Это особенно важно,

потому что modern accelerators критически зависят:

от:

advanced memory;

packaging;

semiconductor manufacturing.

70.20. Европа: сильная science, слабее frontier-model commercialization

Европа исторически имеет:

сильные universities;

mathematics;

computer science;

industrial companies.

Но в первой генерации foundation-model race она значительно уступила:

США

и:

Китаю

по:

frontier companies;

capital concentration;

large-scale compute.

Европейская политика теперь прямо признает:

compute gap

как стратегический bottleneck.

70.21. Европейский ответ — AI Factories

К августу 2026 года Еврокомиссия сообщала о создании:

19 AI Factories

и:

13 AI Factory Antennas.

Они объединяют:

EuroHPC supercomputers;

data;

universities;

startups;

industry;

finance.

Это исключительно интересный benchmark.

Compute превращается:

не просто в государственный supercomputer.

А в:

shared infrastructure для AI ecosystem.

70.22. Следующий европейский уровень — AI Gigafactories

В 2026 году ЕС запустил конкурс:

до семи AI Gigafactories.

Предполагается:

более 100 тыс. advanced AI processors

для объекта соответствующего класса

и десятки миллиардов евро комбинированного государственного и private investment.

То есть Европа пытается перейти:

от HPC

к:

industrial-scale frontier AI compute.

70.23. Франция: европейская ставка на собственный frontier developer

Mistral AI стала наиболее заметной европейской компанией новой foundation-model wave.

В сентябре 2025 года компания привлекла:

1,7 млрд евро

при post-money valuation:

11,7 млрд евро.

Во Франции параллельно формируется:

крупная AI compute infrastructure.

В 2026 году Bpifrance, Mistral и партнеры объявили планы развития AI campuses до:

3 GW вычислительной мощности.

Французский урок:

для создания национального AI champion необходимо одновременно строить model company + capital + compute.

70.24. Индия: человеческий масштаб + shared compute

Индия имеет:

огромный software workforce;

engineering education;

развитую digital public infrastructure;

крупнейший внутренний рынок.

Но frontier AI требует:

доступного compute.

Поэтому IndiaAI Mission создает:

shared national compute.

К марту 2026 года через инфраструктуру mission было подключено:

более 38 тыс. GPU

для доступа startups и academia.

Дополнительно планировалось расширение еще примерно на:

20 тыс. GPU.

Это особенно важный benchmark для России.

70.25. Compute как public infrastructure

Индийская модель говорит:

startup

не должен обязательно:

сразу покупать собственный cluster.

Он может покупать:

compute service.

То есть compute превращается:

в аналог:

electricity grid;

cloud;

research infrastructure.

Это радикально снижает:

entry barrier.

70.26. Индия также строит sovereign model layer

IndiaAI Mission поддерживает:

собственные foundation models,

ориентированные:

на местные языки;

локальные задачи;

Indian datasets.

К 2026 году несколько таких systems уже были представлены.

Это еще один урок.

Global AI leadership:

не обязательно означает:

создать одну universal English-language model.

Огромная value возникает:

в:

local-language intelligence.

70.27. Саудовская Аравия: sovereign-capital model

В мае 2025 года Saudi Public Investment Fund создал:

HUMAIN.

Компания должна работать:

по всему AI value chain:

data centers;

cloud;

models;

applications.

Это принципиально новая государственная модель.

Не:

разрозненные subsidies.

А:

единый full-stack national AI operator.

70.28. Почему Gulf model нельзя игнорировать

Страны Персидского залива обладают:

капиталом;

дешевой энергией;

возможностью быстро строить infrastructure;

глобальным recruitment.

Их слабая сторона:

меньший исторический research base.

Но AI ускоряет возможность:

покупать:

compute;

talent;

companies;

joint ventures.

Следовательно:

AI geopolitics может изменяться:

значительно быстрее,

чем:

традиционная scientific geopolitics.

70.29. Сингапур: benchmark маленькой AI-сверхплотности

Singapore не может:

победить США

по количеству data centers

или:

Китай

по publications.

Но он способен стать:

глобальным AI hub.

Stanford AI Index 2026 относит Singapore:

к мировым лидерам по AI talent concentration.

Около:

1,82% LinkedIn workforce

соответствовало AI talent definition в используемом наборе данных.

70.30. Сингапур: AI state capacity

В 2026 году страна обновила National AI Strategy.

Она включает:

industry adoption;

talent;

compute;

responsible AI;

ecosystem integration.

Отдельная Enterprise Compute Initiative объемом:

150 млн сингапурских долларов

помогает компаниям получать:

compute;

AI tools;

engineering support.

Маленькая страна создает преимущество:

через:

coordination quality.

70.31. Израиль: talent-density model

Stanford AI Index 2026 показывает:

Израиль — лидер исследуемых стран по AI talent concentration:

около:

2,1%.

Это результат:

сильной mathematics;

computer science;

cybersecurity;

startup ecosystem;

venture capital;

global technology integration.

Урок:

AI Power может начинаться с экстремальной концентрации человеческого капитала.

70.32. Великобритания и Канада: research-to-industry bridge

Обе страны исторически сыграли:

непропорционально большую роль

в развитии deep learning.

Сильные:

universities;

AI researchers;

global talent networks

создали:

важные nodes мировой ecosystem.

Но современный этап показал:

research excellence

сам по себе недостаточен.

Если downstream capital и compute концентрируются:

в США,

значительная часть commercialization:

также перемещается туда.

70.33. Главный новый объект конкуренции — AI ecosystem, а не модель

Модель устаревает:

за месяцы.

Сегодня leader.

Через полгода:

другая model.

Поэтому страна не должна строить strategy:

вокруг одной модели.

Она должна строить:

машину, способную создавать новую сильную модель снова и снова.

70.34. Frontier model является output экосистемы

За сильной моделью стоят:

research team;

training cluster;

data;

post-training;

evaluation;

inference platform;

developer ecosystem;

capital.

Поэтому:

нельзя купить AI leadership, просто купив готовую модель.

Можно купить:

service.

Но не:

capability.

70.35. Второй главный объект — inference economics

После обучения model необходимо:

использовать.

Если каждый запрос:

слишком дорог,

AI adoption ограничена.

Stanford ранее фиксировал драматическое снижение inference costs:

производительность класса GPT-3.5 на MMLU подешевела с примерно:

20 долларов

до:

0,07 доллара за миллион tokens

между ноябрем 2022 и октябрем 2024 для соответствующих benchmarked systems.

Следовательно:

cost per useful intelligence становится одним из ключевых AI benchmarks.

70.36. Третий объект — latency

Industrial AI может требовать:

не только высокого benchmark score.

Но:

ответ за:

50 milliseconds.

Для:

robot;

factory;

vehicle;

trading;

control

latency может быть:

важнее reasoning depth.

Поэтому AI leadership включает:

edge AI.

70.37. Четвертый объект — model size efficiency

Не каждый task требует:

trillion-scale model.

Будущее включает:

large frontier models;

small specialized models;

on-device AI;

distilled models;

edge models.

Сильная AI ecosystem должна уметь:

выбирать:

правильный intelligence-cost point.

70.38. Пятый объект — AI agents

2025–2026 годы стали переходом:

от chatbot

к:

agent.

Agent способен:

использовать tools;

писать code;

работать с files;

вызывать APIs;

выполнять multi-step tasks.

Stanford показывает:

organizational adoption AI уже достиг около:

88%

surveyed organizations,

но deployment полноценных agents пока остается значительно более ранним.

Следовательно:

следующая экономическая гонка:

не AI answer, а AI action.

70.39. Шестой объект — AI for coding

Software development становится:

одной из первых industries,

где AI глубоко меняет production process.

Рост performance на SWE-bench показывает:

насколько быстро coding capability frontier systems улучшался в 2025 году.

Это важно для государства.

AI способен:

ускорять производство:

самого software.

Возникает:

recursive advantage:

сильный AI помогает быстрее создавать следующий digital economy layer.

70.40. Седьмой объект — AI for science

AI уже используется:

для:

protein structure;

materials;

chemistry;

weather;

mathematics;

astronomy;

drug discovery.

Следовательно, AI Power усиливает:

Scientific Power.

А Scientific Power:

создает новый AI research.

Получается:

science ↔ AI positive feedback loop.

70.41. Восьмой объект — open-source ecosystem

Stanford AI Index 2026 фиксирует:

около:

5,6 млн AI-related open-source projects

в анализируемой ecosystem.

Uploads на Hugging Face за несколько лет выросли кратно.

Open ecosystem делает возможными:

thousands experiments

без собственного frontier training.

Поэтому страна должна присутствовать:

не только:

в proprietary AI.

Но:

в мировой open AI ecosystem.

70.42. Девятый объект — developer ecosystem

Platform выигрывает,

если вокруг нее появляются:

developers;

SDK;

libraries;

plugins;

agents;

integrations;

datasets;

fine-tunes.

Поэтому сильная foundation model без:

API ecosystem

может оказаться:

экономически слабее.

70.43. Десятый объект — high-quality data

Интернет:

не бесконечен.

Кроме того:

большая часть valuable data:

не находится в открытом интернете.

Это:

medical records;

industrial telemetry;

scientific measurements;

corporate knowledge;

satellite data;

financial transactions.

Следующий AI frontier зависит:

не только от:

more data.

А:

better data.

70.44. Одиннадцатый объект — synthetic data

Synthetic data может:

расширять training;

создавать difficult examples;

support reasoning;

помогать post-training.

Но Stanford подчеркивает:

она пока не заменяет полностью real data для pre-training.

Следовательно:

future data stack:

real + synthetic + feedback.

70.45. Двенадцатый объект — evaluation

Если benchmark становится:

известным,

model может:

оптимизироваться под benchmark.

Поэтому evaluation должна:

постоянно обновляться.

Нужны:

private test sets;

adversarial evaluation;

domain benchmarks;

real-world tasks.

70.46. Safety также является capability

Stanford AI Index 2026 показывает:

сильные frontier systems все еще имеют:

существенные reliability problems.

По некоторым новым hallucination evaluations результаты leading models различаются чрезвычайно сильно.

Следовательно:

страна, которая умеет безопасно внедрять AI в critical systems, имеет конкурентное преимущество.

70.47. AI sovereignty не означает полную autarky

Ни одна страна практически не контролирует:

весь stack.

US models могут зависеть:

от fabrication в Азии.

European compute:

от американских accelerators.

Gulf infrastructure:

от импортных chips.

Поэтому AI sovereignty означает:

не:

«все производим сами».

А:

ни одна критическая внешняя зависимость не способна остановить национальную AI capability.

70.48. AI stack необходимо разделять по уровням criticality

Для:

entertainment recommendation

можно использовать:

любую экономически эффективную technology.

Для:

critical infrastructure;

defense;

government;

strategic industry

требования:

другие.

Поэтому sovereignty:

risk-based.

70.49. Главный мировой frontier можно описать семью контурами

Frontier Creation

Research + models.

Compute

Chips + data centers + energy.

Talent

Researchers + engineers.

Capital

VC + corporate investment + public funding.

Deployment

Companies + government + consumers.

Ecosystem

Cloud + APIs + startups + open source.

Trust

Evaluation + cybersecurity + safety + governance.

Если один контур слаб:

AI Power ограничена.

70.50. Главный урок США

frontier AI должен быть индустрией, а не только научной дисциплиной.

70.51. Главный урок Китая

догоняющая система способна закрыть model-quality gap быстрее, чем предполагает исторический технологический разрыв, если одновременно масштабирует research, engineering, compute и domestic ecosystem.

70.52. Главный урок Кореи

semiconductor strength и engineering density могут создать AI position, непропорциональную населению страны.

70.53. Главный урок Европы

research excellence без достаточного compute, capital и commercialization не гарантирует frontier-model leadership.

70.54. Главный урок Индии

shared compute infrastructure способна резко снизить barrier to entry для startups и researchers.

70.55. Главный урок Сингапура

маленькая страна может быть AI leader через talent density, coordination, adoption и global connectivity.

70.56. Главный урок Gulf states

capital + energy + infrastructure позволяют новым игрокам быстро входить в AI race.

70.57. Мировой AI frontier 2026

США:

сохраняют strongest overall frontier ecosystem.

Китай:

фактически достиг model-performance parity и имеет гигантский research-industrial stack.

Европа:

ускоренно строит shared compute infrastructure.

Корея:

показывает extraordinary innovation density.

Индия:

строит mass talent + shared compute model.

Singapore:

создает compact high-density ecosystem.

Gulf states:

создают sovereign full-stack systems.

То есть:

AI race становится многослойной и многополярной, но ее верхний frontier пока определяется прежде всего США и Китаем.

70.58. Главный benchmark для России

Россия не должна ставить задачу:

«создать российский ChatGPT».

Это слишком узко.

Через год конкретная interface paradigm:

может измениться.

Правильная цель:

создать национальную AI ecosystem, способную постоянно производить модели мирового уровня, иметь достаточный compute, быстро превращать research в продукты и массово внедрять AI во всей экономике.

Именно с такой системой необходимо:

сравнить Россию.

Глава 71. Российский AI-разрыв

71.1. Россия не начинает с нуля

Сначала необходимо исключить ошибочный диагноз.

Россия имеет:

сильную математическую школу;

computer science;

software engineering;

крупные technology companies;

значительный внутренний digital market;

cloud infrastructure;

собственные search и recommendation systems;

computer vision;

speech technologies;

собственные foundation-model families.

В 2026 году существуют:

GigaChat;

YandexGPT;

другие российские AI systems.

Sber, например, в июле 2026 года вывел GigaChat 3 Ultra в API.

Yandex развивает YandexGPT как foundation technology внутри своей большой product ecosystem.

Следовательно:

Россия имеет работающий национальный AI sector.

Проблема:

в его расстоянии до global frontier.

71.2. Национальная стратегия уже фиксирует амбицию лидерства

В обновленной Национальной стратегии развития искусственного интеллекта до 2030 года прямо поставлена задача:

достижения:

лидирующих позиций в мире в области искусственного интеллекта.

Стратегия включает:

compute;

developers;

research;

skills;

deployment;

trusted AI;

regulation;

international cooperation.

То есть проблема:

не в отсутствии стратегического документа.

Главный вопрос:

достаточна ли скорость реального наращивания capabilities относительно скорости мирового frontier?

71.3. AI-разрыв является движущейся целью

Это принципиально.

Если Россия улучшила model quality:

на 30%,

а frontier улучшился:

на 50%,

разрыв:

увеличился.

Поэтому AI policy нельзя измерять:

только собственным ростом.

Необходимо измерять:

distance-to-frontier.

71.4. Первый разрыв: frontier models

Россия имеет:

современные domestic LLMs.

Это сильная сторона.

Но мировой frontier 2026 определяется:

Anthropic;

OpenAI;

Google;

xAI;

Alibaba;

DeepSeek;

Meta;

другими крупнейшими developers.

В Stanford Arena snapshot марта 2026 верхняя группа состояла из моделей Anthropic, xAI, Google, OpenAI, Alibaba и DeepSeek.

Российские модели:

не образуют сопоставимого устойчивого присутствия:

в международном top frontier.

Именно это:

первый structural gap.

71.5. Необходимо различать national usability и global frontier

Domestic model может быть:

очень полезна.

Она может лучше:

работать с русским языком;

знать российский контекст;

интегрироваться:

в local software.

Но national utility:

не равна:

global frontier capability.

Обе задачи нужны.

71.6. Второй разрыв: частота frontier releases

AI leader должен:

не один раз создать сильную model.

Он должен:

регулярно:

обновлять architecture;

training;

post-training;

reasoning;

multimodality;

agents.

То есть benchmark:

frontier iteration velocity.

Именно здесь крупнейшие мировые labs имеют:

огромное преимущество.

71.7. Третий разрыв: compute

Российская Национальная AI Strategy сама фиксирует:

исходную совокупную максимальную мощность AI-supercomputers с необходимыми GPU в 2022 году:

0,073 экзафлопса

и целевой уровень 2030 года:

не менее 1 экзафлопса.

То есть официальный target предполагает:

рост примерно:

в 13–14 раз.

Это показывает:

масштаб compute gap,

который уже был признан самой стратегией.

71.8. Но мировой compute frontier также не стоит на месте

На июнь 2026 года один только китайский LineShine показал:

2,198 экзафлопса HPL.

Американский El Capitan:

1,809.

Европейский JUPITER:

1,000.

Это не полностью сопоставимо:

с российским strategic AI-compute indicator.

Но strategic message очевиден:

цель 2030 года должна постоянно переоцениваться относительно мирового compute frontier.

71.9. Публичный TOP500 также показывает масштаб

В июне 2026 года крупнейший российский publicly listed system:

Yandex Chervonenkis

занимал около:

101-го места

с HPL performance:

21,53 PFLOP/s.

Christofari Neo:

около:

167-го места

с:

11,95 PFLOP/s.

TOP500 не отражает:

весь закрытый AI compute.

Но разница уровней:

очевидна.

71.10. Четвертый разрыв: generation of accelerators

Наличие GPU:

недостаточно.

Критичны:

generation;

memory;

interconnect;

software stack;

energy efficiency.

1000 старых accelerators:

не равны:

1000 frontier accelerators.

Поэтому национальный показатель:

aggregate FLOPs

необходимо дополнять:

real AI training throughput.

71.11. Пятый разрыв: semiconductor dependency

Мировая AI race опирается:

на чрезвычайно концентрированную hardware supply chain.

Stanford отмечает:

большая часть advanced chips для leading AI infrastructure зависит от:

очень узкого manufacturing base.

Россия не располагает:

полным domestic stack

сопоставимого уровня:

advanced accelerator design;

leading-edge fabrication;

HBM;

packaging;

interconnect.

Следовательно:

hardware dependency является:

одним из самых тяжелых элементов AI gap.

71.12. Полная semiconductor autarky невозможна как краткосрочный minimum

Это необходимо сказать прямо.

Попытка сначала:

догнать всю мировую semiconductor chain,

а потом:

строить AI

означает:

опоздать.

Нужна параллельная стратегия:

сейчас

максимально эффективно использовать доступный compute.

среднесрочно

diversify accelerator stack.

долгосрочно

развивать:

собственный hardware capability.

71.13. Шестой разрыв: compute concentration

Даже если GPU существуют,

они могут быть:

разбросаны;

закрыты внутри корпораций;

недоступны researcher;

неэффективно загружены.

Следовательно:

стране нужен показатель:

usable AI compute.

Не:

installed GPU.

71.14. Седьмой разрыв: academia не имеет равного доступа к frontier compute

University group может:

придумать strong architecture

и не иметь:

ресурса для масштабного experiment.

В modern AI:

это критическая проблема.

Потому что hypothesis без training run:

не превращается:

в evidence.

71.15. Восьмой разрыв: AI research output

Российская стратегия поставила target:

публикации российских авторов на AI conferences уровня A*:

с:

113 в 2022 году

до:

450 в 2030 году.

Публикации в Q1 journals «Белого списка»:

с:

103

до:

450 в год.

Сам размер требуемого роста показывает:

research gap признан:

официально.

71.16. Но publication target недостаточен

Как и в предыдущей части книги:

paper count

не равен:

scientific power.

Для AI нужно измерять:

top conference papers;

citations;

best-paper awards;

benchmark creation;

open-source adoption;

new architectures;

frontier model contributions.

Особенно:

работы, которые изменяют мировой AI stack.

71.17. Девятый разрыв: industry research concentration

В современном frontier AI:

более 90% notable models производит:

industry.

Следовательно, национальная система,

где AI science преимущественно:

academic,

не сможет:

догнать frontier.

России нужны:

несколько industrial research laboratories

мирового класса.

71.18. Десятый разрыв: слишком мало независимых frontier-model centers

Сильная система не должна зависеть:

от одной model family.

Если существуют:

только один-два major developers,

возникает:

низкое experiment diversity.

Американское преимущество:

несколько frontier labs одновременно:

соревнуются.

Китай быстро движется:

к похожей структуре.

Россия также нуждается:

в:

конкуренции нескольких AI schools.

71.19. Одиннадцатый разрыв: AI startup capital

Американские 285,9 млрд долларов private AI investment дают:

совершенно другой experiment rate.

России не нужно:

копировать абсолютную цифру.

Но необходимо понимать:

какую функцию она выполняет.

Она финансирует:

тысячи:

risky bets.

В российской ecosystem гораздо меньше капитала доступно:

для:

дорогих AI experiments

без guaranteed revenue.

71.20. Двенадцатый разрыв: compute financing startup

Обычный startup получает:

seed round

и нанимает:

engineers.

AI startup должен:

дополнительно покупать:

expensive tokens;

GPU hours;

training runs.

Поэтому traditional venture model:

может быть недостаточна.

Нужен:

compute financing.

71.21. Тринадцатый разрыв: AI graduates

National Strategy фиксирует:

3048 выпускников AI higher-education programs в 2022 году.

Цель 2030 года:

не менее 15 500 ежегодно.

То есть target:

примерно пятикратный рост.

Но проблема:

не только quantity.

71.22. Не все AI graduates одинаковы

Нужны разные levels.

AI User

умеет:

правильно использовать tools.

AI Engineer

строит:

production AI systems.

ML Research Engineer

умеет:

training;

distributed systems;

optimization.

AI Researcher

создает:

new methods.

Frontier Model Architect

проектирует:

training systems масштаба frontier.

Смешивать их в показатель:

«AI specialist»

опасно.

71.23. Четырнадцатый разрыв: frontier talent

Самые сильные AI researchers:

имеют глобальный рынок труда.

Их compensation:

может измеряться:

миллионами долларов.

Россия должна конкурировать:

не только:

зарплатой.

Но:

compute;

research autonomy;

team;

data;

global visibility.

71.24. Пятнадцатый разрыв: research engineer layer

Frontier AI требует:

не только scientists.

Нужны:

distributed systems engineers;

CUDA/accelerator engineers;

data engineers;

inference engineers;

evaluation engineers;

security engineers.

Именно engineering превращает:

paper

в:

frontier system.

71.25. Шестнадцатый разрыв: массовые AI skills

Российская стратегия ставит:

очень амбициозную цель.

Доля работников с AI skills:

с:

5% в 2022 году

до:

80% в 2030 году.

Это правильно по направлению.

Но необходимо определить:

что именно считается:

AI skill.

Иначе KPI можно выполнить:

одним online course.

71.26. AI literacy должна измеряться поведением

Человек с AI skill должен уметь:

выбрать задачу;

сформулировать prompt;

проверить output;

работать с data;

понимать ограничения;

защитить confidential information.

То есть:

AI literacy — способность безопасно повысить productivity с помощью AI.

71.27. Семнадцатый разрыв: economic adoption

National Strategy ставит цель:

доля приоритетных отраслей с высоким AI readiness:

с:

12% в 2022 году

до:

95% в 2030 году.

Это огромный leap.

Но отрасль может быть:

«готова»

и все равно:

не получать productivity gain.

71.28. Главный deployment KPI — economics

Не:

сколько AI pilots запущено.

А:

что произошло с:

labor productivity;

cost;

quality;

cycle time;

revenue;

downtime;

energy consumption.

Иначе страна создаст:

тысячи demonstrations

без:

economic transformation.

71.29. Восемнадцатый разрыв: AI spending

Стратегия предусматривает рост затрат российских организаций на внедрение и использование AI:

с:

123 млрд рублей в 2022 году

до:

850 млрд рублей ежегодно к 2030 году.

Это почти:

семикратный рост.

Но spending:

не равен:

value.

Поэтому нужен:

AI ROI.

71.30. Девятнадцатый разрыв: сектор МСП

Большая корпорация может:

создать AI laboratory.

Средняя manufacturing company:

нет.

Если AI остается:

технологией банков;

IT companies;

государственных корпораций,

макроэкономический эффект:

ограничен.

Следовательно:

необходим:

AI access layer для среднего бизнеса.

71.31. Двадцатый разрыв: data

Российская экономика генерирует:

огромный data stock.

Но данные:

fragmented;

неочищены;

имеют разные formats;

legal restrictions;

не имеют metadata;

иногда недоступны даже внутри одной organization.

Следовательно:

data availability

не равна:

data usability.

71.32. Особо ценны industrial datasets

Россия имеет:

уникальные данные:

energy;

metallurgy;

nuclear;

transport;

space;

geology;

manufacturing;

climate.

Это потенциальное:

AI competitive advantage.

Но только если:

data:

структурирована;

доступна;

legally usable;

machine-readable.

71.33. Двадцать первый разрыв: Russian-language data quality

Для русского языка доступно:

много текста.

Но frontier training требует:

не только volume.

Нужны:

quality;

diversity;

reasoning traces;

specialized corpora;

multimodal data;

code;

scientific data.

Поэтому национальный corpus:

должен быть:

curated.

71.34. Двадцать второй разрыв: developer ecosystem

Модель выигрывает,

когда вокруг нее есть:

API;

SDK;

documentation;

libraries;

examples;

tools;

community.

Российские model providers уже развивают API и developer interfaces.

Но мировой competition требует:

гораздо большего:

тысяч независимых developers, строящих продукты на российском AI stack.

71.35. Двадцать третий разрыв: open-source footprint

Open-source model или library может:

за несколько месяцев

получить:

миллионы developers.

Это формирует:

global influence.

Россия имеет:

сильную software culture,

но недостаточно присутствует:

в наиболее влиятельном global AI open-source layer.

71.36. Двадцать четвертый разрыв: benchmarks

Если страна использует только:

чужие benchmarks,

она измеряет:

чужую постановку задачи.

России нужны:

собственные high-quality benchmark suites

для:

русского языка;

mathematics;

science;

coding;

industry;

agents.

Но они должны:

быть международно credible.

71.37. Benchmark нельзя подгонять под свою модель

Если model developer:

сам создает test

и:

сам объявляет себя лучшим,

метрика:

не имеет credibility.

Нужен:

independent evaluation institute.

71.38. Двадцать пятый разрыв: AI safety и reliability

Если AI внедряется:

в:

medicine;

energy;

industry;

government,

ошибка может иметь:

физический или правовой ущерб.

Поэтому необходимы:

red teaming;

cybersecurity;

hallucination tests;

bias tests;

robustness;

audit logs.

Safety:

не тормоз.

Это:

условие массового deployment.

71.39. Двадцать шестой разрыв: AI agents требуют новой security architecture

Agent имеет:

tool access.

Следовательно, он способен:

не только ошибочно ответить.

Но:

ошибочно:

отправить письмо;

изменить data;

выполнить transaction;

запустить process.

Risk model меняется.

71.40. Двадцать седьмой разрыв: AI for science

Россия имеет:

сильную scientific base.

Это может стать:

одним из главных AI advantages.

Но нужно соединить:

AI researchers

с:

physicists;

chemists;

biologists;

materials scientists;

engineers.

Иначе страна будет:

использовать AI главным образом:

для office productivity.

71.41. Двадцать восьмой разрыв: AI for industry

Российская сильная сторона:

large industrial sector.

Следовательно, AI strategy должна быть:

не только:

LLM strategy.

Но:

industrial AI:

predictive maintenance;

robotics;

digital twins;

process control;

generative engineering;

quality inspection;

autonomous systems.

71.42. Двадцать девятый разрыв: government as lead customer

Государство может:

создать огромный demand.

Но procurement должен:

покупать:

outcome.

Не:

«наличие AI».

Иначе возникает:

AI labeling.

Каждая обычная automation system:

начинает называться:

AI.

71.43. Тридцатый разрыв: lack of real-time national AI dashboard

В быстро меняющейся сфере невозможно:

раз в три года

получать statistics.

Необходимо ежеквартально знать:

compute;

models;

benchmarks;

talent;

investment;

adoption;

startups;

AI exports.

71.44. Главный structural paradox

Россия имеет:

national strategy;

математическую и инженерную базу;

крупные technology companies;

domestic foundation models;

существенный внутренний market.

Но одновременно:

не входит устойчиво в мировой model frontier;

имеет крупный compute gap;

зависит от внешнего advanced hardware;

имеет недостаточную концентрацию frontier AI talent и capital;

должна кратно увеличить research output, graduates, sector readiness и corporate AI spending даже по собственным официальным benchmarks.

Следовательно:

главная проблема России — не отсутствие AI.

Проблема:

недостаточный масштаб и скорость full-stack AI ecosystem относительно ускоряющегося мирового frontier.

71.45. Российский AI Conversion Funnel

Необходимо измерять полный цикл.

Stage 1. Talent

Есть ли люди?

Stage 2. Research

Создают ли новые methods?

Stage 3. Compute

Можно ли проверить idea на масштабе?

Stage 4. Model

Возникает ли competitive system?

Stage 5. Platform

Есть ли API и developer ecosystem?

Stage 6. Startup/Product

Возникают ли products?

Stage 7. Enterprise Adoption

Использует ли business?

Stage 8. Productivity

Есть ли measurable economic value?

Stage 9. Export

Покупает ли technology global market?

Именно conversion между стадиями:

определяет:

AI Power.

71.46. Публикация без compute — слабая conversion

Researcher создает:

strong paper.

Но training:

невозможен.

Результат:

не масштабируется.

71.47. Compute без researcher — также слабая conversion

Можно купить:

GPU cluster.

Но без:

strong team

он станет:

дорогим cloud.

71.48. Model без developer ecosystem — слабая conversion

Model существует.

Но applications:

не возникают.

71.49. Application без adoption — слабая conversion

Есть demo.

Нет:

customers.

71.50. Adoption без ROI — слабая conversion

Company использует:

AI.

Но productivity:

не меняется.

Следовательно:

AI leadership определяется эффективностью всей цепочки.

71.51. Конечный диагноз

Россия должна одновременно решить:

не одну,

а:

несколько связанных задач.

Нельзя сначала:

пять лет готовить кадры,

потом:

строить compute,

потом:

делать models.

Frontier уйдет:

далеко вперед.

Все контуры должны масштабироваться:

параллельно.

Главная задача субпрограммы-минимум:

создать к началу следующего десятилетия национальную AI ecosystem уровня сегодняшних мировых лидеров: с конкурентными моделями, достаточным compute, несколькими сильными developers, доступом startups и academia к вычислениям, массовым industrial adoption и независимой системой evaluation.

Глава 72. Субпрограмма-минимум

Субпрограмма-минимум должна решать:

не задачу:

«сделать еще одну большую языковую модель».

И не:

«внедрить AI во все ведомства».

Цель:

создать полный российский AI Power Stack сегодняшнего мирового уровня.

Пятилетний горизонт программы:

2027–2031 годы.

Цели действующей National AI Strategy до 2030 года используются:

как обязательный minimum floor.

Но этого недостаточно.

К ним добавляются:

frontier metrics.

Предлагается пакет из 40 стратегических мероприятий.

72.1. GLR-AI-MIN-01. Создать National AI Power Dashboard

Ежеквартально измеряются:

frontier model performance;

число major models;

compute;

GPU utilization;

AI publications;

top conference papers;

AI patents;

AI talent;

graduates;

startup funding;

AI companies;

corporate adoption;

AI spending;

productivity impact;

AI exports.

Для каждого:

Russia;

USA;

China;

Europe;

top-5;

distance-to-frontier.

Главный KPI:

не рост России сам по себе, а скорость закрытия frontier gap.

72.2. GLR-AI-MIN-02. Создать Russian Frontier Evaluation Suite

Независимая национальная benchmark infrastructure.

Она тестирует:

reasoning;

mathematics;

science;

coding;

Russian language;

multilingual;

vision;

audio;

agents;

long context;

tool use;

factuality;

cybersecurity.

Часть tests:

public.

Часть:

private.

Чтобы избежать:

benchmark overfitting.

72.3. GLR-AI-MIN-03. Создать Independent AI Evaluation Institute

Он организационно отделяется:

от major model developers.

Задачи:

benchmarking;

red teaming;

safety evaluation;

reliability;

economic evaluation.

Каждая major Russian model получает:

стандартную:

AI capability card.

72.4. GLR-AI-MIN-04. Измерять Frontier Gap

Для каждого нового major model определяется:

разница с:

global top-1;

top-3;

best open model.

По:

нескольким benchmark families.

Цель:

к 2030–2031 году российские leading models должны:

устойчиво находиться в пределах 5–10% от мирового frontier на основных general-purpose capability benchmarks

и иметь отдельные domains,

где они:

выходят:

в мировой top-tier.

72.5. GLR-AI-MIN-05. Создать минимум 3–5 независимых frontier AI laboratories

Необходимо избежать:

duopoly.

Формируется несколько:

сильных competing centers.

Возможные формы:

corporate labs;

independent labs;

university-industry labs.

Каждая должна иметь:

собственный:

research team;

compute allocation;

training capability;

model family.

72.6. GLR-AI-MIN-06. Разделить модели по задачам

Не нужен:

один универсальный «национальный AI».

Нужен portfolio.

General-purpose model

language + reasoning.

Multimodal model

text + image + audio + video.

Coding model

software.

Scientific model

mathematics + science.

Industrial model

engineering + process data.

Agent model

tools + workflows.

Edge models

small efficient systems.

72.7. GLR-AI-MIN-07. Создать National AI Compute Grid

Все крупные AI-compatible computing resources:

объединяются:

не физически,

а:

операционно.

Создается единая система:

discovery;

allocation;

accounting;

scheduling.

Пользователь видит:

available accelerator type;

memory;

interconnect;

cost;

queue.

72.8. GLR-AI-MIN-08. Сделать 1 экзафлопс 2030 года нижней границей, а не конечной целью

Действующая стратегия предусматривает:

не менее:

1 exaflops

совокупной AI-supercomputer capacity к 2030 году.

Но мировой frontier:

движется.

Поэтому ежегодно проводится:

rebenchmark.

Цель пересматривается:

по отношению к:

USA;

China;

EU.

72.9. GLR-AI-MIN-09. Измерять не только peak FLOPs, но AI Useful Compute

Национальный dashboard учитывает:

training tokens/second;

mixed-precision performance;

memory bandwidth;

network bandwidth;

GPU utilization;

energy per training token.

Это предотвращает:

игру с формальным FLOPs.

72.10. GLR-AI-MIN-10. Создать AI Compute Exchange

Universities;

startups;

companies

покупают или получают:

GPU hours

через единую marketplace.

Источники:

corporate clusters;

cloud providers;

research supercomputers;

private data centers.

Свободный compute:

не простаивает.

72.11. GLR-AI-MIN-11. Создать Startup Compute Credits

AI startup получает:

не только деньги.

Но:

compute.

Seed funding:

например:

cash + GPU credits.

Так государство или development institution:

финансирует:

не hardware ownership,

а:

experiment.

72.12. GLR-AI-MIN-12. Создать Academic Compute Grants

Лучшие AI researchers получают:

compute allocation

по научному review.

Не по:

ведомственной affiliation.

Сильная research idea должна:

получить шанс:

на масштабный run.

72.13. GLR-AI-MIN-13. Создать National Accelerator Diversification Program

Цель:

не зависеть:

от одного hardware vendor.

Поддерживаются:

несколько accelerator architectures;

portable software;

compiler layer;

distributed frameworks.

Приоритет:

model code должен максимально легко переноситься между hardware stacks.

72.14. GLR-AI-MIN-14. Создать программу отечественных AI accelerators

Это долгосрочный contour.

Она включает:

architecture;

design tools;

interconnect;

memory architecture;

packaging;

software compiler;

libraries.

Но domestic chip:

оценивается:

не происхождением.

А:

performance per watt + performance per ruble + software usability.

72.15. GLR-AI-MIN-15. Создать National AI Data Layer

Страна инвентаризирует:

high-value datasets.

Особенно:

science;

industry;

medicine;

transport;

energy;

space;

climate;

government.

Для каждого dataset:

ownership;

quality;

legal regime;

metadata;

access procedure.

72.16. GLR-AI-MIN-16. Создать National Russian Multimodal Corpus

Не просто:

Russian Internet.

А:

curated corpus:

text;

speech;

images;

video;

code;

science;

technical documentation.

Обязательны:

copyright rules;

personal-data protection;

provenance.

72.17. GLR-AI-MIN-17. Создать Data Quality Factory

AI performance зависит:

не только от volume.

Вводятся:

deduplication;

quality scoring;

contamination detection;

PII removal;

metadata enrichment;

dataset versioning.

Data engineer:

становится:

одной из ключевых AI professions.

72.18. GLR-AI-MIN-18. Создать Synthetic Data Factory

Russian models генерируют:

reasoning tasks;

coding tasks;

rare-domain examples;

industrial simulations.

Затем:

human + model verification.

Synthetic data используется:

как amplification layer.

Не:

полная замена real data.

72.19. GLR-AI-MIN-19. Создать Frontier AI Research Fund

Цель стратегии:

450 A* publications ежегодно к 2030 году

используется:

как floor.

Но fund финансирует:

не paper count.

А:

new architectures;

training algorithms;

reasoning;

efficient AI;

multimodality;

agents;

AI safety;

AI for science.

72.20. GLR-AI-MIN-20. Создать Frontier Research Engineer Program

Special track для:

distributed training;

kernels;

compilers;

inference;

quantization;

networking;

evaluation.

Россия должна ежегодно выпускать:

не только:

AI analysts.

Но:

людей, способных построить training system на тысячи accelerators.

72.21. GLR-AI-MIN-21. Довести выпуск AI graduates минимум до официальной цели

К 2030 году:

не менее 15 500 AI graduates ежегодно

по действующей стратегии.

Но вводится:

quality segmentation.

Отдельно считаются:

AI users;

AI engineers;

ML engineers;

researchers.

72.22. GLR-AI-MIN-22. Создать AI Olympiad-to-Lab Pipeline

Talent выявляется:

в школе;

university;

competitive programming;

mathematics;

physics.

Но конечная точка:

не medal.

А:

research lab

или:

AI engineering team.

72.23. GLR-AI-MIN-23. Создать Global AI Talent Program

Россия должна:

покупать не только GPU.

Но и:

talent.

Packages:

research budget;

compute;

team;

housing;

global publication freedom;

competitive compensation.

Recruitment:

worldwide.

72.24. GLR-AI-MIN-24. Создать Return AI Lab

Российский researcher из:

global frontier company

может создать:

собственную laboratory.

Package:

compute;

salary;

team;

data;

five-year budget.

Не просто:

вернуться на должность.

72.25. GLR-AI-MIN-25. Довести массовые AI skills до реального 80% target

Официальная цель:

80% работников с AI skills к 2030 году.

Но skill подтверждается:

не сертификатом.

А:

practical assessment.

Например:

может ли worker:

использовать AI

в своем workflow.

72.26. GLR-AI-MIN-26. Создать AI Transformation Voucher для МСП

Small/medium business получает:

небольшой grant

на:

AI audit;

integration;

compute;

software;

training.

Но выплата следующей стадии зависит:

от:

measurable result.

72.27. GLR-AI-MIN-27. Создать 1000 AI Productivity Projects

В ключевых sectors выбирается:

не менее:

1000 процессов

с большим экономическим эффектом.

Например:

predictive maintenance;

quality inspection;

supply chain;

engineering;

customer service;

coding;

procurement;

energy optimization.

Для каждого:

baseline;

AI intervention;

measured result.

72.28. GLR-AI-MIN-28. Создать 100 National AI Flagships

Отдельно выбираются:

100 сложных deployments,

которые способны:

изменить отраслевой benchmark.

Не:

demo.

А:

production systems.

72.29. GLR-AI-MIN-29. Сделать 95% отраслевой readiness реальным economic KPI

Официальный target:

95% приоритетных отраслей с высоким AI readiness к 2030 году.

Но readiness определяется:

по:

data;

skills;

compute;

use cases;

actual deployment.

Не:

наличию roadmap.

72.30. GLR-AI-MIN-30. Установить обязательный AI ROI accounting

Для крупных AI programs измеряется:

labor hours saved;

cost savings;

revenue gain;

quality;

cycle time;

energy;

downtime.

AI expenditure:

без economic effect

становится:

видимым.

72.31. GLR-AI-MIN-31. Превысить официальный AI spending target качественно

Стратегия устанавливает:

850 млрд рублей ежегодных затрат организаций на AI к 2030 году.

Но ключевой показатель:

value created per ruble of AI spending.

72.32. GLR-AI-MIN-32. Создать Government AI Platform

Государственные органы получают:

secure common AI infrastructure:

models;

RAG;

document intelligence;

speech;

agents;

evaluation;

audit.

Не каждое ведомство:

отдельно создает:

свой LLM.

72.33. GLR-AI-MIN-33. Создать AI Government Sandbox

До mass deployment high-impact systems тестируются:

на:

ограниченной выборке.

Измеряются:

accuracy;

bias;

legal risks;

cybersecurity;

human override.

72.34. GLR-AI-MIN-34. Создать AI for Science Platform

Объединяет:

AI;

scientific data;

compute;

research groups.

Priority:

materials;

chemistry;

biology;

medicine;

physics;

mathematics;

climate.

Каждая scientific superteam из Части XVI получает:

доступ:

к AI research infrastructure.

72.35. GLR-AI-MIN-35. Создать AI for Engineering Platform

Industry получает:

foundation tools:

generative design;

simulation surrogate models;

engineering copilot;

technical-document analysis;

digital twins.

Особенно:

manufacturing;

energy;

transport;

aerospace;

nuclear.

72.36. GLR-AI-MIN-36. Создать National Agentic AI Testbed

Agents тестируются:

в controlled environment.

Сценарии:

office workflows;

software development;

industrial operations;

government procedures.

Обязательны:

sandboxing;

permissions;

logs;

rollback.

72.37. GLR-AI-MIN-37. Создать AI Cybersecurity Center

AI одновременно:

усиливает attacker

и:

defender.

Center работает над:

model security;

prompt injection;

data poisoning;

supply-chain attacks;

agent permissions;

model theft.

72.38. GLR-AI-MIN-38. Создать National AI Incident Database

Ошибки AI:

не должны:

исчезать внутри организаций.

Для significant incidents фиксируются:

system;

failure;

impact;

root cause;

remediation.

Confidential details:

защищаются.

Но lessons:

распространяются.

72.39. GLR-AI-MIN-39. Создать Open Russian AI Program

Часть моделей;

datasets;

benchmarks;

libraries

публикуется:

openly.

Цель:

создать:

developer gravity.

Не все strategic models:

должны быть open.

Нужен:

portfolio approach.

72.40. GLR-AI-MIN-40. Создать Global Russian AI Developer Platform

Один entry point:

models;

API;

compute;

datasets;

evaluation;

documentation;

billing;

marketplace.

Developer из любой страны должен:

за минуты:

начать использовать:

Russian AI stack.

72.41. Отдельная программа AI startups

AI startup должен получать:

четыре ресурса:

capital;

compute;

data;

customer.

Если дать только:

grant,

часто этого недостаточно.

Создается:

AI Startup Stack.

72.42. AI Procurement Fast Track

Государственная компания или ministry:

должны иметь возможность:

купить pilot

у young AI company

без многолетнего procurement cycle.

При этом:

security;

competition;

audit

сохраняются.

72.43. Corporate AI Venture Funds

Крупнейшие российские corporations:

создают:

sector-focused AI funds.

Не только:

покупают готовое software.

Но:

финансируют:

новые companies.

72.44. National AI Corporate Challenge

Enterprise публикует:

real problem.

Startups и labs:

предлагают solution.

Winner получает:

не prize.

А:

production contract.

72.45. Особый контур Efficient AI

Россия не должна соревноваться:

только количеством GPU.

Необходимо стать:

одним из мировых лидеров:

в:

compute-efficient training;

low-cost inference;

small models;

compression;

distillation;

sparse models;

edge AI.

Для страны с compute constraint:

efficiency — не второстепенная optimization, а стратегическая специализация.

72.46. Особый контур Russian-language intelligence

Российская модель должна быть:

не просто:

«не хуже на русском».

Она должна быть:

лучшей в мире:

по:

Russian legal language;

scientific Russian;

technical Russian;

regional language variation;

historical corpus;

government documents.

Это:

natural home-market advantage.

72.47. Но global model должна быть multilingual

Если model сильна:

только на русском,

ее market:

ограничен.

Поэтому frontier model families:

должны иметь:

English;

Chinese;

Arabic;

Spanish;

другие major languages

в зависимости от strategy.

72.48. Особый контур AI for BRICS and Global South

Многие countries:

не имеют:

собственных frontier models.

Россия может экспортировать:

multilingual models;

compute;

AI government platforms;

industrial AI.

Но только если:

price/performance:

competitive.

72.49. AI export KPI

Измеряется:

не только:

software export.

Но:

foreign API usage;

foreign developers;

foreign enterprise customers;

foreign compute customers;

model downloads;

AI licensing.

72.50. Главный benchmark — Cost of Intelligence

Для каждой model class измеряется:

стоимость:

одной useful task.

Например:

correct coding task;

processed document;

scientific query;

agent workflow.

Это значительно лучше:

простого token price.

72.51. Второй benchmark — Time-to-Train

Сколько времени проходит:

от frozen dataset

до:

trained model.

Infrastructure должна:

сокращать cycle.

72.52. Третий benchmark — Experiment Rate

Сколько meaningful training experiments:

может провести laboratory:

за месяц?

AI research часто выигрывает:

не тот,

у кого одна brilliant idea.

А тот,

кто быстрее:

проверяет:

100 ideas.

72.53. Четвертый benchmark — Frontier Release Velocity

Сколько времени:

между major model generations?

Если global competitors:

обновляются каждые несколько месяцев,

двухлетний Russian release cycle:

слишком медленный.

72.54. Пятый benchmark — Developer Adoption

Сколько:

external developers;

applications;

API calls;

open-source integrations

возникает вокруг:

Russian models?

72.55. Шестой benchmark — Enterprise Productivity

Какой measured economic effect:

AI создал:

в Russian economy?

Это главный deployment metric.

72.56. Седьмой benchmark — AI Science Impact

Сколько scientific discoveries:

были ускорены:

российскими AI systems?

AI for science:

не должен измеряться:

количеством deployed chatbots.

72.57. Восьмой benchmark — AI Self-Reliance

Для critical systems измеряется:

какая часть stack имеет:

alternative supply route.

Например:

compute;

models;

cloud;

data;

software.

Цель:

не autarky.

А:

resilience.

72.58. Пятилетняя последовательность

2027. Measure and pool

AI Power Dashboard;

Evaluation Institute;

Compute Grid;

Compute Exchange;

data inventory;

frontier-lab selection.

2028. Scale

new compute;

3–5 frontier labs;

Academic Compute Grants;

Startup Compute Credits;

national corpora;

AI engineering programs.

2029. Deploy

1000 Productivity Projects;

100 Flagships;

Government AI Platform;

AI for Science;

AI for Engineering.

2030. Reach strategic floor

официальные targets:

1 exaflops minimum;

450 A* papers;

15 500 AI graduates;

80% worker AI skills;

95% high-readiness priority sectors;

850 млрд руб. corporate AI spending.

2031. Frontier convergence

leading Russian models:

стабильно near-frontier;

несколько domains:

world top-tier;

Russian AI platforms:

имеют international users;

AI productivity effect:

измеряется на macro level.

72.59. Что нельзя делать

Нельзя:

строить один государственный mega-LLM;

считать каждый chatbot AI transformation;

покупать GPU без software stack;

измерять успех количеством GPU;

измерять research только papers;

считать AI skill по прохождению курса;

закрывать весь ecosystem от global open source;

создавать benchmarks собственными developers без independent evaluation;

массово внедрять agents без security architecture;

финансировать AI без измерения economic result.

72.60. Главный принцип minimum-program

Субпрограмма должна одновременно строить:

Intelligence

research + models.

Compute

accelerators + cloud + energy.

Talent

researchers + engineers + users.

Data

national high-quality corpora.

Capital

startups + frontier labs.

Deployment

industry + state + science.

Trust

evaluation + security + safety.

Это и есть:

Russian AI Power Stack.

72.61. Как будет выглядеть система после minimum-program

Сегодня сильная AI idea может пройти путь:

researcher;

paper;

поиск compute;

small experiment;

неопределенное дальнейшее funding.

После:

idea → compute grant → experiment → model → independent evaluation → API → startup/product → enterprise deployment → measured productivity.

Для company:

до:

AI pilot.

После:

AI operating model.

Для researcher:

до:

paper.

После:

paper + compute + reproducible model + global benchmark.

Для startup:

до:

grant.

После:

capital + compute + data + first customer.

72.62. Почему minimum-программа уже очень сложна

Она требует:

миллиардных infrastructure investments;

реформы education;

новой capital architecture;

new procurement;

research concentration;

data rules;

industrial transformation.

Но это:

не maximum.

Это только:

достижение архитектуры AI ecosystem уровня сегодняшних лидеров.

72.63. Что изменится фундаментально

Россия перестанет задавать вопрос:

«есть ли у нас отечественная нейросеть?»

Потому что наличие одной нейросети:

ничего не доказывает.

Новый вопрос:

«может ли российская экосистема каждые несколько месяцев создавать систему, способную конкурировать с новым мировым frontier?»

Это принципиально более высокий стандарт.

72.64. Конечный target

Россия должна иметь:

несколько сильных frontier developers;

large-scale shared compute;

competitive AI research;

массовый engineering talent;

national data infrastructure;

thousands AI startups and products;

mass economic adoption;

independent evaluation;

exportable AI platforms.

Тогда страна перестает:

догонять:

каждую отдельную foreign model.

Она создает:

машину непрерывного производства AI capability.

72.65. Конечная формулировка

Субпрограмма-минимум должна перевести Россию:

от:

страны, располагающей собственными AI technologies

к:

стране, обладающей полным AI Power Stack мирового уровня.

Это означает:

не только:

создавать AI.

Но:

создавать его быстро;

масштабировать дешево;

внедрять массово;

измерять объективно;

использовать безопасно;

экспортировать глобально.

После выполнения этой задачи возникает следующий вопрос.

Если США и Китай строят AI frontier прежде всего через:

гигантские laboratories;

gigawatt data centers;

триллионы tokens;

миллиарды долларов,

обязательно ли следующий AI frontier должен строиться:

точно таким же способом?

Или Россия способна создать:

другую архитектуру —

систему,

где:

AI самостоятельно ускоряет:

AI research;

научные открытия;

engineering;

software development;

управление compute;

создание training data;

design новых моделей;

то есть:

начинает улучшать:

сам механизм производства следующего поколения AI?

Это уже задача:

субпрограммы-максимум.

***************

Глава 73. Субпрограмма-максимум: ИМИ-фронтир и AI-native Россия

Субпрограмма-минимум решает необходимую, но принципиально недостаточную задачу: довести российскую экосистему искусственного интеллекта до уровня сегодняшних мировых лидеров по моделям, вычислениям, данным, кадрам, исследованиям, AI-инфраструктуре, внедрению и экономической результативности.

Субпрограмма-максимум должна строиться иначе.

Если Россия будет только догонять США и Китай в уже сформированной парадигме ИИ, ей придется соревноваться с противниками, которые раньше начали, располагают большими вычислительными ресурсами, капиталом, крупнейшими технологическими корпорациями и значительно более мощными глобальными платформами.

Поэтому стратегическая задача России состоит не только в сокращении существующего AI-разрыва.

Она должна изменить сам предмет технологической конкуренции.

Главная идея российской революции в искусственном интеллекте — специализация России на искусственном метаинтеллекте, ИМИ: системах и технологиях, предназначенных для ускоренного создания, развития, организации и совершенствования самого интеллекта.

Это дает принципиально другую стратегию.

Россия одновременно должна поддерживать мировой уровень обычного ИИ и создавать новый технологический фронтир, на котором накопленное преимущество сегодняшних лидеров существенно меньше.

Не просто догонять лидеров.

А:

переносить конкуренцию на следующий метауровень.

73.1. Главная стратегическая развилка

Возможны две модели российского развития ИИ.

Первая — догоняющая. Россия последовательно наращивает compute, создает более крупные foundation models, увеличивает инвестиции, готовит специалистов и внедряет AI в экономику. Это необходимо, но такая стратегия заставляет страну постоянно двигаться вслед за уже сформированным мировым frontier.

Вторая модель — двухконтурная.

Первый контур обеспечивает технологический паритет: Россия не должна критически отставать в моделях, инфраструктуре, данных, agents, AI for Science и промышленном использовании ИИ.

Второй контур создает опережающий фронтир: значительная часть лучших ресурсов направляется на технологии, которые способны изменить сам механизм развития искусственного, человеческого и коллективного интеллекта.

Таким опережающим контуром предлагается сделать:

ИМИ-фронтир России.

73.2. Почему метауровень способен компенсировать накопленное отставание

Технологическое отставание особенно трудно ликвидировать внутри неизменной технологической архитектуры.

Если лидер имеет в десять раз больше ресурса, а обе стороны используют одинаковую технологическую модель, догоняющей стороне приходится либо вкладывать сопоставимые ресурсы, либо десятилетиями повышать эффективность.

Но технологическая история регулярно показывает другой механизм: изменение самой архитектуры деятельности способно обесценить значительную часть накопленного преимущества старой системы.

Именно поэтому в субпрограммах-максимум нужен особый класс решений — стратегические ароинновации.

В используемой в настоящем проекте авторской классификации ароинновацией является изменение, способное дать примерно десятикратное улучшение существенного параметра либо создать новый вид деятельности, не имеющий прямого функционального аналога в существующей системе.

В этом и заключается ее стратегическая роль.

Ароинновация не сокращает старый разрыв по одному проценту. Она меняет шкалу, на которой этот разрыв измеряется.

Именно такую функцию должен выполнять ИМИ.

73.3. Что означает «мгновенная компенсация» отставания

Речь, разумеется, не идет о буквальном исчезновении всех технологических ограничений за один день.

Мгновенной является структурная компенсация.

Если страна первой создает новую технологическую категорию, предыдущая иерархия преимуществ частично теряет значение. Конкуренция начинается уже на новом поле, где у прежних лидеров нет десятилетнего институционального преимущества.

Например, страна может уступать в количестве обычных AI-моделей, но первой создать промышленную систему, которая в несколько раз быстрее проектирует, тестирует и выводит новые поколения AI.

Тогда критическим активом становится уже не количество сегодняшних моделей, а скорость производства завтрашних.

Это и есть стратегическая логика:

не ликвидировать каждое прошлое отставание отдельно, а создать новое преимущество более высокого порядка, которое перекрывает сразу несколько прежних разрывов.

73.4. Лестница метауровней российского ИИ-фронтира

Российская программа должна различать несколько уровней.

Первый уровень — обычный ИИ. Система решает заданную интеллектуальную задачу: пишет текст, программирует, анализирует изображение, прогнозирует, проектирует.

Второй уровень — агентный ИИ. Система не только отвечает, но планирует, использует инструменты и выполняет многошаговые процессы.

Третий уровень — AI for AI. Искусственный интеллект используется для создания и совершенствования других AI-систем: architectures, training methods, datasets, evaluations, agents, inference systems.

Четвертый уровень — ИМИ. Предметом работы системы становится уже не конкретная модель, а способы создания, организации и развития интеллекта как такового.

Пятый уровень — метаинтеллектуальные экосистемы. Развиваются не отдельные AI, а интегрированные системы человеческого, машинного и коллективного интеллекта.

Именно движение вверх по этой лестнице должно стать российской специализацией.

73.5. ИМИ не является просто self-improving AI

Искусственный метаинтеллект нельзя определить как «нейросеть, которая улучшает сама себя».

Это только частный случай.

Объектом ИМИ могут быть:

AI-модели и их architectures; методы обучения; AI-agents и multi-agent systems; scientific workflows; человеческие методы мышления; исследовательские коллективы; системы принятия решений; организации; hybrid human-AI teams; системы коллективного интеллекта.

Следовательно, ИМИ можно определить как класс искусственных систем, способных анализировать интеллектуальную систему, диагностировать ее ограничения, проектировать улучшение, экспериментально проверять это улучшение и создавать более эффективную интеллектуальную архитектуру.

Высший критерий появляется тогда, когда система способна совершенствовать уже собственные методы совершенствования интеллекта.

73.6. Новый главный продукт российской AI-индустрии

В обычной AI-экономике продуктом являются:

модель, API, agent, application.

В российской метаинтеллектуальной специализации должен появиться новый продукт:

машина развития интеллекта.

Такая система может принимать на вход существующую интеллектуальную архитектуру — модель, команду, research process, organization — и выдавать новую архитектуру с существенно более высокой интеллектуальной производительностью.

В перспективе это образует отдельную отрасль:

индустрию искусственного метаинтеллекта — индустрию средств производства и ускоренного развития интеллекта.

Именно она должна стать главным стратегическим максимумом российского AI-фронтира.

73.7. GLR-AI-MAX-01. Национальная миссия «ИМИ-фронтир»

Необходимо создать самостоятельную национальную миссию, сопоставимую по политическому статусу с крупнейшими технологическими программами.

Ее задача — не очередная российская LLM. Результатом должна стать первая масштабная система технологий, способных ускорять производство новых видов интеллекта.

Миссия должна объединить математику, computer science, когнитивные науки, AI research, distributed systems, neuroscience, теорию организаций, робототехнику, автоматизацию науки и инженерное проектирование.

Главный горизонт — не один продукт, а новая индустриальная категория.

73.8. GLR-AI-MAX-02. Создать National Meta-AI Laboratory

Флагманская лаборатория ИМИ должна заниматься исключительно метауровнем.

Она не конкурирует с обычными model teams за выпуск очередного chatbot.

Ее предмет — системы, которые ускоряют работу самих AI laboratories.

Направления включают автоматизированное проектирование architectures, оптимизацию training, создание training curricula, поиск новых algorithms, генерацию и очистку данных, автоматическое проектирование benchmarks, создание agents, model composition, inference optimization и hardware-software co-design.

Главный показатель:

во сколько раз Meta-AI Laboratory ускоряет цикл создания следующего поколения AI.

73.9. GLR-AI-MAX-03. Создать сеть конкурирующих Meta-AI Centers

Один государственный центр не должен получить монополию на новую область.

Формируются несколько competing centers — корпоративных, университетских и независимых. Они получают доступ к общему compute, но развивают разные школы ИМИ.

Это принципиально важно: новая парадигма еще неизвестна, поэтому государство не должно заранее решать, какая архитектура окажется правильной.

Необходимо создать эволюционную систему:

много гипотез → быстрые эксперименты → жесткое сравнение → масштабирование победителей.

73.10. GLR-AI-MAX-04. Meta-AI Grand Challenges

Программа должна опираться не только на теорию, но и на проверяемые задачи.

Первый Grand Challenge: система анализирует мировой AI-frontier, предлагает множество новых architectures, проводит серию малых экспериментов и выбирает architecture для крупного training run.

Второй: система самостоятельно обнаруживает новый training method, который после независимой проверки дает кратное улучшение значимого показателя.

Третий: meta-agent собирает research workflow из специализированных agents и ускоряет выполнение реальной AI-R&D задачи в несколько раз.

Четвертый: система анализирует существующую human-AI team и предлагает новую организацию работы, дающую измеримое повышение качества и скорости решения задач.

Пятый — наиболее важный:

получить первую доказанную ароинновацию в технологии создания искусственного интеллекта.

73.11. GLR-AI-MAX-05. Создать AI Research Autopilot

Современный AI researcher значительную часть времени тратит на поиск литературы, coding, debugging, запуск experiments, analysis и documentation.

AI Research Autopilot должен взять на себя значительную часть этого контура.

Researcher формулирует problem и high-level hypotheses. Система изучает prior work, предлагает experiments, пишет код, распределяет compute, отслеживает runs, сравнивает результаты, выявляет anomalies и предлагает следующий цикл.

Человек сохраняет scientific judgment.

Главный эффект:

резко увеличить количество содержательных гипотез, которые один исследователь способен проверить за единицу времени.

73.12. GLR-AI-MAX-06. Создать Architecture Discovery Engine

Вместо ручного поиска нескольких architectures создается система массового исследования пространства AI-design.

Она анализирует известные model families, decomposes их решения, комбинирует structural patterns и предлагает новые configurations.

Особенно важны architectures, снижающие зависимость от экстремально большого compute.

Если российская система сможет получить сопоставимое качество при существенно меньшем training и inference resource, это будет стратегической ароинновацией.

73.13. Главная российская специализация — Intelligence Efficiency

Россия не должна выбирать главным соревнованием:

«кто сожжет больше вычислений».

Это соревнование структурно выгоднее системам с крупнейшими капиталами и hardware access.

Российская специализация должна быть иной:

максимум полезного интеллекта на единицу compute, энергии, данных, времени и капитала.

Это включает efficient architectures, sparse computation, small models, adaptive inference, memory systems, modular AI, model routing, distillation, dynamic specialization.

Если результат позволяет получить порядок повышения эффективности, он соответствует логике ароинновации.

73.14. GLR-AI-MAX-07. Создать Intelligence Efficiency Institute

Отдельный центр измеряет:

сколько реальной интеллектуальной работы производится на единицу compute.

Не только tokens/sec.

А решение:

научной задачи, engineering problem, coding task, business workflow.

Цель — сделать Россию мировым центром:

экономики машинного интеллекта.

Если американская модель сильнее на несколько процентов, но российская решает ту же задачу в десять раз дешевле, это может быть более сильной промышленной позицией.

73.15. GLR-AI-MAX-08. Large Pattern Models

Одной из перспективных российских метаспециализаций предлагается сделать LPM — Large Pattern Models.

Современные LLM чрезвычайно эффективны в языковых представлениях, но intelligence не сводится к language sequence.

Наука, инженерия и стратегическое управление работают со структурами, causal relations, topologies, configurations, multilevel patterns и recurring system architectures.

LPM должны исследовать возможность моделирования именно этих более общих классов паттернов.

Это особенно важно для Meta-AI, потому что предмет ИМИ — закономерности организации самого интеллекта.

73.16. GLR-AI-MAX-09. Создать Pattern Genome

Формируется огромная библиотека повторяющихся интеллектуальных паттернов.

В нее входят методы решения задач из математики, физики, engineering, программирования, управления, science, invention.

Система ищет не только ответы, но сходство между структурами решений.

Например, optimization pattern из одной отрасли может оказаться применимым к другой.

Задача:

превратить накопленный опыт человечества из архива решений в машинно используемую библиотеку способов мышления.

73.17. GLR-AI-MAX-10. Создать Metaorganon R&D

Метаорганон в рамках текущей программы должен быть представлен не как законченная теория, а как отдельное направление технологических исследований.

Предмет:

системы создания новых способов мышления и решения задач.

Metaorganon R&D исследует новые representations, decomposition methods, reasoning patterns, verification methods, research methods и combinations человеческого и машинного reasoning.

Если обычный AI применяет известный способ решения, Метаорганон должен помогать создавать:

новые классы способов решения.

73.18. GLR-AI-MAX-11. Создать Meta-Agent Architecture

Следующий уровень после обычных agents — meta-agent.

Обычный agent выполняет задачу.

Meta-agent проектирует систему agents под конкретную задачу.

Он определяет:

какие agents нужны, какую model использовать каждому, как разделить полномочия, какую память дать, какие tools подключить, какие checks встроить.

После выполнения он анализирует результат и перестраивает architecture.

Это превращает agentic system из статической конструкции в:

саморазвивающуюся интеллектуальную организацию.

73.19. GLR-AI-MAX-12. Создать AI Team Foundry

Для каждой сложной задачи система должна уметь автоматически собирать оптимальную цифровую команду.

Вместо одной модели:

research agent, critic, simulator, planner, coding agent, data analyst, verifier.

Team Foundry постоянно экспериментирует с composition.

В результате возникает новый вид software:

не приложение и не model,

а:

фабрика временных интеллектуальных организаций.

73.20. GLR-AI-MAX-13. Human–AI Team Architect

ИМИ должна проектировать не только machine teams.

Она анализирует сильные стороны людей и AI и строит оптимальное разделение функций.

Человеку могут оставаться problem selection, taste, responsibility, negotiation и high-level judgment.

AI получает search, simulation, memory, routine analysis и massive parallel exploration.

Критический показатель:

не число автоматизированных tasks, а повышение output всей human-machine system.

73.21. GLR-AI-MAX-14. Создать Digital Intellectual Twin

Для человека, laboratory или organization создается интеллектуальный digital twin.

Он описывает:

знания, skills, decision patterns, information flows, tools, cognitive bottlenecks.

ИМИ анализирует этот twin и предлагает:

как изменить систему, чтобы повысить ее интеллектуальную производительность.

Это может стать новым огромным классом Meta-AI applications.

73.22. GLR-AI-MAX-15. AI-native государство становится полигоном ИМИ

AI-native государство остается важной частью главы, но теперь оно рассматривается не как конечная цель.

Это один из крупнейших экспериментальных полигонов для метаинтеллектуальных технологий.

Государство содержит миллионы повторяющихся интеллектуально-административных операций, сложные decision chains, огромные knowledge bases и множество взаимодействующих institutions.

ИМИ должна проектировать:

не отдельного государственного chatbot, а более эффективные архитектуры государственного интеллекта.

73.23. GLR-AI-MAX-16. Государственный Meta-Agent

Government Meta-Agent анализирует не отдельное заявление, а целый административный процесс.

Он определяет, какие стадии необходимы, какие могут быть исключены, какие agents способны их выполнить, где требуется человек, где существуют дублирование и delay.

Таким образом AI начинает:

не автоматизировать bureaucracy,

а:

перепроектировать bureaucracy.

73.24. GLR-AI-MAX-17. Policy Meta-Intelligence

Отдельный контур ИМИ используется для развития государственной policy capability.

Он сравнивает historical policies, строит scenarios, анализирует международные experiments, выявляет скрытые trade-offs и проектирует alternative institutional architectures.

Человек принимает политическое и правовое решение.

Но пространство рассмотренных вариантов увеличивается на порядки.

73.25. GLR-AI-MAX-18. AI-native корпорация как метаорганизация

В обычной AI company agents помогают employees.

В meta-intelligent company ИМИ анализирует всю организационную architecture.

Она обнаруживает:

лишние information hops, bottlenecks, избыточные management levels, неоптимальное распределение экспертизы, delays между подразделениями.

Затем предлагает новую configuration.

То есть появляется:

AI for organization design.

73.26. GLR-AI-MAX-19. Dynamic Organization Engine

Структура компании перестает быть полностью фиксированной.

Для крупного project ИМИ временно собирает cross-functional team из людей и agents.

После завершения project конфигурация распадается.

Для следующей задачи создается другая.

Организация начинает работать как:

динамически реконфигурируемая интеллектуальная система.

Это способно дать гораздо больший эффект, чем автоматизация одного отдела.

73.27. GLR-AI-MAX-20. AI-native малое предпринимательство

ИМИ может особенно сильно изменить экономику малых компаний.

Один предприниматель получает возможность сформировать цифровую организацию из agents, а meta-agent оптимизирует ее architecture.

Возникают фирмы, где несколько людей способны выполнять работу прежней организации из десятков или сотен сотрудников.

Если стоимость создания нового предприятия и минимально эффективный размер фирмы сокращаются на порядок, это уже полноценная ароинновация организационной экономики.

73.28. GLR-AI-MAX-21. AI-native наука становится вторым главным полигоном ИМИ

Наука особенно подходит для метаинтеллектуальной специализации России.

Здесь объектом является сам процесс создания нового знания.

ИМИ должна анализировать scientific frontier, формировать hypotheses, проектировать experiments, искать методы, комбинировать research groups, управлять compute и находить оптимальную последовательность проверок.

Главная цель:

повысить производительность научного открытия, а не только производительность написания научного текста.

73.29. GLR-AI-MAX-22. Scientific Meta-Agent

Для каждой scientific superteam из предыдущей части книги создается meta-agent.

Он видит одновременно:

hypotheses, experiments, papers, datasets, equipment, people, failures.

Он обнаруживает duplicate work, missing capability и unexplored connection.

То есть суперкоманда получает:

цифровой метаинтеллектуальный слой.

73.30. GLR-AI-MAX-23. Autonomous Discovery Loop

В тех областях, где возможно автоматизированное experiment execution, создается замкнутый цикл:

AI hypothesis → simulation → robotic experiment → measurement → analysis → new hypothesis.

Scientist определяет research direction и проверяет фундаментальные выводы.

Но количество рассматриваемых experiment trajectories увеличивается на порядки.

Именно такие системы должны рассматриваться как один из наиболее перспективных источников ароинноваций.

73.31. GLR-AI-MAX-24. Intelligence Amplification for Scientists

ИМИ должна повышать не только machine intelligence, но и capability самого researcher.

Система анализирует, какие области знания scientist знает слабее, какие методы соседних fields ему полезны, какие collaborators дополняют его competence.

Вместо одинакового copilot каждый ученый получает персонализированную architecture развития собственного intellectual capability.

Это важный переход:

AI assistant → intelligence development system.

73.32. Национальная ароинновационная машина ИИ

Российский ИМИ-фронтир должен быть встроен в более широкую систему поиска ароинноваций.

Обычный R&D process спрашивает:

можно ли улучшить показатель на 10–20%?

Максимум должен регулярно задавать другой вопрос:

какая смена architecture способна дать эффект порядка величины?

И если такой гипотезы нет, проект не обязательно относится к максимальной программе.

Это позволит отделить:

хорошую инновацию

от:

стратегического скачка.

73.33. GLR-AI-MAX-25. Aroinnovation AI Challenge

Ежегодно выбираются AI projects с потенциальным десятикратным эффектом.

Например:

десятикратное снижение стоимости inference;

десятикратное сокращение training data;

десятикратное увеличение experiment rate;

десятикратное сокращение времени engineering design;

создание принципиально нового типа интеллектуальной деятельности.

Funding получает не красивый presentation, а:

проверяемая гипотеза ароинновации.

73.34. GLR-AI-MAX-26. Создать Meta-Level Venture Fund

Обычный венчурный фонд ищет successful company.

Meta-Level Fund ищет компании, которые создают новый уровень технологической architecture.

Приоритет:

Meta-AI, AI for AI, LPM, intelligent organization, scientific agents, collective intelligence, machine research, intelligence infrastructure.

Фонд должен принимать крайне высокий technological risk.

Потому что его задача:

не максимизировать долю успешных проектов,

а:

найти несколько innovations, способных изменить саму структуру рынка.

73.35. GLR-AI-MAX-27. Aroinnovation Fast Track

Если experiment показывает эффект порядка величины, проект автоматически получает ускоренный доступ к следующему ресурсу:

compute, capital, data, regulatory sandbox, procurement, industrial partner.

Нельзя обрабатывать потенциальную ароинновацию:

в том же administrative cycle,

что и обычный небольшой improvement.

Скорость масштабирования становится частью national advantage.

73.36. GLR-AI-MAX-28. Создать Meta-AI Compute Reserve

ИМИ-research должен иметь собственный compute reserve.

Причина проста: Meta-AI experiments могут сами обнаруживать перспективную architecture и требовать немедленного крупного validation run.

Если команда после discovery ждет вычисления шесть месяцев, frontier opportunity исчезает.

Значит compute должен распределяться:

не только заранее по годовым планам,

но:

в режиме rapid scientific escalation.

73.37. GLR-AI-MAX-29. Создать Machine-Readable AI Science

Чтобы AI мог ускорять создание AI, результаты исследований должны быть пригодны не только для чтения человеком.

Research artifacts включают:

code, datasets, experiment configurations, checkpoints, negative results, metrics, machine-readable descriptions.

Тогда Meta-AI способен анализировать не только paper abstracts, а полный экспериментальный corpus.

73.38. GLR-AI-MAX-30. Создать Negative Intelligence Repository

Особенно ценны данные о том:

что не работает.

Сегодня тысячи AI experiments исчезают внутри компаний и laboratories.

Meta-AI должен иметь доступ к структурированной информации о failed approaches там, где confidentiality позволяет.

Это предотвращает повторение одинаковых dead ends и ускоряет exploration.

73.39. GLR-AI-MAX-31. Национальный Meta-AI Benchmark

Новая технологическая категория требует собственной системы доказательства.

Система считается ИМИ не потому, что разработчик назвал ее meta-intelligence.

Она должна доказать способность:

анализировать интеллектуальную architecture; выявлять limitation; проектировать improvement; экспериментально проверять его; получать более сильную систему.

Следующий уровень — продемонстрировать, что ИМИ способен улучшать:

собственный improvement process.

Именно это отделяет:

маркетинговый термин

от:

новой технологической дисциплины.

73.40. Главный benchmark — Intelligence Improvement Rate

Для ИМИ основным показателем становится:

не абсолютный benchmark одной model.

А скорость, с которой система способна улучшать интеллектуальные capabilities.

Например:

сколько времени требуется от обнаружения weakness до проверенного improvement?

Сколько improvement cycles можно провести за месяц?

Какова стоимость одного успешного improvement?

Таким образом объектом измерения становится:

производительность развития интеллекта.

73.41. Второй benchmark — Meta-R&D Acceleration

Измеряется, во сколько раз Meta-AI ускоряет:

AI research, scientific research, engineering research.

Если обычная laboratory проверяет 20 meaningful hypotheses в год, а Meta-AI architecture позволяет проверить 200 при сопоставимом качестве, получен эффект порядка величины.

Именно такие результаты должны стать KPI российской максимальной программы.

73.42. Третий benchmark — Intelligence per Compute

Россия должна стремиться не просто к увеличению compute, а к мировому лидерству по количеству полезной интеллектуальной работы на единицу вычислений.

Это одна из наиболее реалистичных асимметричных специализаций.

Чем дороже мировая compute race, тем выше потенциальная ценность technology, которая способна радикально снизить compute dependency.

73.43. Четвертый benchmark — Meta-Agent Leverage

Измеряется, насколько meta-agent увеличивает результативность цифровой или hybrid team.

Важно не число созданных agents.

Важно:

какой результат получила система по сравнению с лучшей обычной architecture.

73.44. Пятый benchmark — Aroinnovation Yield

Необходимо отдельно учитывать:

сколько проектов программы действительно дали изменение порядка величины или создали новый вид activity.

Показатель должен быть низким по частоте.

Если каждый второй проект объявлен ароинновацией, термин обесценивается.

Но несколько настоящих ароинноваций способны:

перекрыть результаты тысяч incremental projects.

73.45. Российская стратегия должна изменить экономику технологической гонки

Сегодня страны соревнуются за:

GPU, researchers, capital, data centers.

Россия не сможет игнорировать эту гонку.

Но ИМИ позволяет добавить новый фактор:

эффективность превращения этих ресурсов в следующий интеллект.

Если российская система имеет меньше ресурса, но в несколько раз быстрее превращает его в new capabilities, ресурсный разрыв начинает сокращаться.

Если достигается ароинновационный эффект, он может быть структурно компенсирован.

73.46. Априорное преимущество новой категории

Первый entrant в устоявшуюся industry сталкивается с incumbents.

Первый создатель новой industry:

сам формирует standards, language, benchmarks, education, professional roles и global agenda.

Именно это предлагается использовать.

Если Россия одной из первых институционализирует ИМИ как самостоятельную science и industry, она получает:

априорное позиционное преимущество.

Не гарантированную победу.

Но право начинать новую гонку:

не с двадцатого места,

а:

из первой группы ее создателей.

73.47. GLR-AI-MAX-32. Создать российскую школу ИМИ

Необходимо ввести отдельные:

research programs, graduate tracks, doctoral topics, conferences, journals, benchmarks, open repositories.

При этом новая область должна оставаться научно открытой.

Нельзя сначала объявить теорию правильной, а затем искать подтверждения.

ИМИ должен пройти:

жесткую экспериментальную проверку.

73.48. GLR-AI-MAX-33. Создать профессию Meta-Intelligence Engineer

Такой специалист проектирует:

не отдельную model,

а:

систему развития intelligence.

Он должен понимать:

AI architectures, agents, knowledge systems, human cognition, organizational design, experimentation, evaluation.

Это одна из возможных профессий следующего поколения.

73.49. GLR-AI-MAX-34. Создать Meta-Intelligence Architect

Следующий уровень — architect, способный проектировать большие hybrid systems:

люди + AI + agents + organizations + knowledge + memory + tools.

Его задача:

найти optimal intellectual architecture для конкретной организации или scientific problem.

Это уже близко к engineering новой ноотехносферы, но полная теория выходит за рамки данной книги.

73.50. GLR-AI-MAX-35. Экспорт Meta-AI as a Service

Если Россия создает сильные ИМИ-технологии, экспортироваться должны:

не только models.

Иностранная company может использовать российскую систему, чтобы:

улучшить свой AI stack, научную лабораторию, engineering process или organizational intelligence.

Возникает совершенно новый рынок:

Intelligence Development as a Service.

Это потенциально значительно более сильная позиция, чем продажа очередного chatbot.

73.51. GLR-AI-MAX-36. Глобальная платформа Meta-AI developers

Россия должна стремиться не закрыть ИМИ внутри национальной системы, а стать мировым hub новой области.

Открываются:

часть benchmarks, часть models, libraries, research tools, challenge datasets.

Лучшие международные исследователи получают:

grants, compute и возможность создавать laboratories.

Цель:

чтобы мировой специалист, желающий заниматься Meta-AI, рассматривал Россию как одно из первых мест для такой работы.

73.52. GLR-AI-MAX-37. Международный Meta-Intelligence Challenge

Россия инициирует международное соревнование по:

AI for AI, meta-agents, intelligence efficiency, automated scientific discovery, organizational intelligence.

Главный приз получает:

не модель с самым красивым chatbot-output.

А:

система, которая доказанно создала более сильную интеллектуальную architecture.

Так Россия начинает формировать:

саму систему глобальных benchmarks новой отрасли.

73.53. GLR-AI-MAX-38. Связать ИМИ с Глобальной фабрикой интеллектуальной собственности

ИМИ должен стать одним из главных upstream-contours Global IP Factory.

Meta-AI обнаруживает:

новые algorithms, AI architectures, engineering methods, scientific opportunities.

IP Factory определяет:

что патентовать, что оставить trade secret, что опубликовать, что превратить в standard.

Получается:

ИМИ → invention acceleration → IP Factory → global technology position.

73.54. GLR-AI-MAX-39. Связать ИМИ с системой научных суперкоманд

Каждая научная superteam получает meta-intelligence layer.

Но еще важнее обратное направление.

ИМИ анализирует scientific landscape и может определить:

какой composition команды потенциально создаст новую capability.

То есть искусственный метаинтеллект начинает:

не только помогать scientists,

но:

проектировать более мощные scientific organizations.

73.55. GLR-AI-MAX-40. Создать Национальную метаинтеллектуальную платформу

Все перечисленные направления объединяются не в одну централизованную супернейросеть, а в модульную infrastructure.

Она включает:

Meta-AI research systems, Pattern Genome, LPM, AI Research Autopilot, Architecture Discovery, Meta-Agent Foundry, Scientific Meta-Agents, Intelligence Efficiency tools, Meta-AI benchmarks, compute и experiment infrastructure.

Эта платформа становится:

первым технологическим основанием российской индустрии искусственного метаинтеллекта.

73.56. Новая роль AI-native государства, экономики и науки

В прежней версии программы AI-native государство, экономика и наука были конечным maximum.

В новой architecture их функция меняется.

Они становятся крупнейшими испытательными полигонами ИМИ.

Государство дает задачи:

коллективного управления и institutional intelligence.

Экономика:

organizational intelligence, engineering и production.

Наука:

creation of knowledge.

Это позволяет разрабатывать ИМИ:

не в artificial benchmarks,

а:

на реальных системах максимальной сложности.

73.57. Первый российский метауровень: AI развивает AI

Начальный practical frontier должен быть максимально конкретным.

AI анализирует AI.

AI проектирует AI.

AI тестирует AI.

AI обучает AI.

AI оптимизирует AI.

Именно здесь можно быстрее всего получить:

измеримые результаты

и проверить:

основную гипотезу ИМИ.

73.58. Второй метауровень: AI развивает human-AI systems

После этого объект становится сложнее.

ИМИ проектирует:

как человеку работать с AI;

какая комбинация agents нужна;

когда решение должен принимать человек;

какая information architecture повышает quality.

Это уже:

engineering hybrid intelligence.

73.59. Третий метауровень: AI развивает организации

Следующий слой:

enterprise, laboratory, ministry, university.

ИМИ меняет:

структуру information flows, decomposition задач, team composition, decision cycles.

Интеллектуальная система организации становится:

проектируемым технологическим объектом.

73.60. Четвертый метауровень: развитие систем производства интеллекта

Высший уровень текущей программы:

ИМИ начинает совершенствовать:

саму инфраструктуру, которая создает новые виды intelligence.

Именно здесь возникает потенциальный положительный feedback:

лучший ИМИ → более быстрый поиск нового ИМИ → еще более быстрый цикл развития интеллекта.

Это одновременно:

главная возможность

и:

главный риск новой парадигмы.

73.61. Поэтому безопасность должна быть метауровневой

Обычная AI safety спрашивает:

опасен ли output модели?

Meta-AI safety должна спрашивать также:

какие systems ИМИ способен создавать?

Какие capabilities он усиливает?

Может ли появиться нежелательный positive feedback?

Поэтому любые процессы изменения собственных architectures должны иметь:

sandboxing, independent evaluation, compute limits, human authorization и rollback.

Чем выше метауровень:

тем строже контроль.

73.62. Нельзя строить ИМИ как один автономный сверхразум

Это было бы ошибкой и технологически, и институционально.

Российская architecture должна быть:

полицентрической.

Множество моделей, laboratories, evaluators, human teams и independent systems.

Таким образом:

конкуренция сохраняется,

ошибка одного контура не становится systemic,

а развитие ИМИ остается проверяемым.

73.63. Пятилетняя последовательность

Год 1. Формирование нового фронтира

Создаются National Meta-AI Mission, несколько Meta-AI centers, Intelligence Efficiency Institute, первые benchmarks и Grand Challenges. Формируется отдельная программа AI for AI.

Год 2. Первый engineering layer

Запускаются AI Research Autopilot, Architecture Discovery, Meta-Agent Foundry, Pattern Genome, первые LPM experiments. Проводятся крупные controlled experiments по ускорению AI-R&D.

Год 3. Выход к ароинновациям

Лучшие systems получают быстрый compute escalation и капитал. Цель года — продемонстрировать хотя бы несколько независимых случаев кратного ускорения процессов создания AI, science или engineering.

Год 4. Индустриализация

Meta-AI technologies внедряются в frontier AI labs, scientific superteams, крупных companies и государственные systems. Возникают первые commercial Meta-AI companies и Intelligence Development services.

Год 5. Формирование глобального ИМИ-фронтира России

Россия должна иметь международно признанную Meta-AI research school, работающие industrial systems, собственные benchmarks, global developer community и несколько technologies, обладающих ароинновационным эффектом.

73.64. Ключевые пятилетние цели

Первая цель — несколько российских AI laboratories должны выйти на near-frontier уровень conventional AI. Без сильного базового AI stack метауровень будет висеть в воздухе.

Вторая — получить доказанный многократный рост productivity AI-R&D благодаря Meta-AI.

Третья — создать несколько ИМИ-systems, способных самостоятельно проектировать и экспериментально улучшать интеллектуальные architectures.

Четвертая — добиться хотя бы отдельных результатов порядка величины по Intelligence Efficiency, experiment rate, scientific discovery cycle или organizational productivity.

Пятая — сформировать международную отрасль вокруг российских Meta-AI technologies.

73.65. Главный KPI максимума

Главным KPI не должно быть:

количество российских LLM.

И не:

количество GPU.

И даже не:

место одной российской модели в benchmark.

Главный вопрос:

способна ли российская система быстрее мировых конкурентов создавать следующее поколение интеллектуальных capabilities?

Если ответ:

да,

Россия становится:

не догоняющим участником AI race,

а:

одним из архитекторов ее следующего этапа.

73.66. Почему это принципиально отличается от традиционного импортозамещения

Импортозамещение отвечает:

как создать свой аналог уже существующего продукта?

ИМИ-стратегия отвечает:

какой продукт следующего класса сделает часть сегодняшних аналогов менее значимыми?

Это фундаментально другой тип технологической политики.

Первый уменьшает:

зависимость.

Второй создает:

лидерство.

Оба нужны.

Но глобальная субпрограмма-максимум должна заниматься:

вторым.

73.67. Основной риск — перепутать сильную идею и доказанную технологию

ИМИ пока нельзя объявлять:

состоявшейся industrial revolution.

Это стратегическая гипотеза.

Следовательно, Россия должна одновременно:

смело инвестировать

и:

жестко проверять.

Каждая концепция должна пройти путь:

определение → benchmark → prototype → experiment → independent replication → industrial effect.

Большая амбиция не отменяет:

научной строгости.

73.68. Второй риск — подменить метауровень новым словарем

Можно назвать обычного agent:

«метаагентом».

Обычную analytics:

«метаинтеллектом».

Обычный workflow:

«интеллектуальной экосистемой».

Это ничего не меняет.

Поэтому каждый meta-project должен отвечать:

что именно он улучшает в системе производства или организации интеллекта?

Если объектом остается только внешняя задача:

это обычный AI.

73.69. Третий риск — ждать полного догоняния перед началом ИМИ

Это будет стратегической ошибкой.

Нельзя сначала десять лет догонять conventional AI,

а затем:

заняться Meta-AI.

К тому времени новый frontier:

также будет занят.

Поэтому conventional AI и ИМИ должны развиваться:

параллельно.

Минимум строит:

основание.

Максимум:

сразу создает:

новый этаж.

73.70. Российская AI-доктрина

Таким образом, российская стратегия может быть сформулирована очень коротко.

Россия обеспечивает достаточную мощность базового AI-стека, но главным направлением глобальной специализации делает технологии искусственного метаинтеллекта и другие ароинновации метауровня.

Это позволяет одновременно:

сокращать сегодняшнее отставание;

не повторять полностью траекторию конкурентов;

создавать собственную scientific agenda;

формировать новую industry;

получать априорное преимущество первого системного игрока в новой категории.

73.71. От гонки интеллекта к гонке развития интеллекта

Сегодня государства спрашивают:

у кого:

лучшая модель?

больше compute?

сильнее AI companies?

Но если ИМИ-парадигма развивается,

главным вопросом следующего этапа станет:

какая страна быстрее создает более совершенные способы создания интеллекта?

Это гораздо более фундаментальная конкуренция.

Потому что ее победитель получает:

не один technological advantage.

Он получает:

ускоритель производства следующих преимуществ.

73.72. Высшая российская ароинновация в ИИ

Главная ставка может быть сформулирована следующим образом.

Обычный искусственный интеллект увеличивает:

производительность деятельности.

Искусственный метаинтеллект должен увеличить:

производительность самого развития интеллекта.

Если этот переход дает порядок повышения скорости создания новых AI, scientific methods, engineering systems и hybrid-intelligence architectures, ИМИ становится не просто новой AI technology.

Он превращается:

в:

ароинновацию в механизме технологического прогресса.

Именно такой уровень должен быть целью:

субпрограммы-максимум.

73.73. Конечная архитектура российского ИИ-фронтира

Российский AI-frontier состоит из двух взаимно усиливающих контуров.

Первый — базовый AI Power Stack. Модели, compute, chips, data, talent, capital, agents, adoption, AI for Science и AI-native systems.

Второй — Meta-AI / ИМИ Stack. AI for AI, Intelligence Efficiency, LPM, Pattern Genome, Metaorganon R&D, meta-agents, intelligence architecture, scientific meta-intelligence и системы развития human-machine intelligence.

Первый контур предотвращает:

критическое отставание.

Второй:

создает:

опережающее преимущество.

73.74. Конечная цель

Россия не должна стремиться просто:

стать третьей,

четвертой

или пятой страной

в чужой AI race.

Стратегическая задача существенно выше.

Россия должна попытаться открыть новый мировой ИИ-фронтир и стать одним из первых государств, специализирующихся на промышленном производстве технологий развития самого интеллекта.

Тогда накопленное отставание перестает быть:

единственным определяющим фактором.

Потому что страна начинает конкурировать:

там,

где прошлое преимущество incumbents еще не превратилось:

в непреодолимую инфраструктурную ренту.

73.75. Конечная формулировка

Первая эпоха искусственного интеллекта создает:

машины, способные решать интеллектуальные задачи.

Следующий этап должен создать:

машины, способные развивать:

способы решения;

архитектуры решения;

системы, создающие решения;

и в конечном счете:

сам интеллект.

Именно здесь находится:

главный потенциальный российский leapfrog.

Не догонять бесконечно чужой искусственный интеллект, а первой сделать предметом индустриального развития сам процесс производства новых поколений интеллекта.

Такова центральная идея:

Российского ИМИ-фронтира.

И такова главная стратегическая ароинновация российской программы глобального лидерства в искусственном интеллекте.

*****************