Май 07, 2026 | 10:00
Образование
Исследовательская работа
Ключ к успеху в области искусственного интеллекта, по мнению Армена Агаджаняна, основателя компании «Perceptron»
Искусственный интеллект (ИИ) развивается беспрецедентными темпами, и для молодых людей, желающих работать в этой области, остаются важнейшие вопросы: что изучать и как строить карьеру. В беседе с основателем «Perceptron» и бывшим руководителем исследовательских групп «Meta AI» Арменом Агаджаняном мы попытались понять, какие навыки сегодня являются приоритетными и насколько университеты готовы к требованиям этой области.
«AI Conf 2026» hամաժողովի գլխավոր բանախոս, «Perceptron» ընկերության հիմնադիր Արմեն Աղաջանյանի խոսքով՝ ԱԲ ոլորտում հաջողության հասնելու համար ամենակարևորը կոնկրետ գործիքներ կամ տեխնոլոգիաներ սովորելը չէ, քանի որ դրանք շատ արագ են կորցնում արդիականությունը։ Փոխարենը նա կարևորում է մեքենայական և խորքային ուսուցման հիմնարար սկզբունքների խոր ըմբռնումը։
- Պարո՛ն Աղաջանյան, որպես ոլորտի փորձառու մասնագետ, ըստ Ձեզ, ի՞նչ հմտություններ են այսօր ամենակարևորը երիտասարդների համար, որոնք ցանկանում են սկսել կարիերա արհեստական բանականության ոլորտում։ Ի՞նչ խորհուրդ կտաք հայ ուսանողներին և երիտասարդներին, որոնք ցանկանում են ներգրավվել ԱԲ և բարձր տեխնոլոգիաների ոլորտում։
- Կարծում եմ՝ հիմնական առանձնահատկությունն այն է, որ ոլորտը շատ արագ է զարգանում, ուստի շատ կոնկրետ բաներ սովորելը այնքան էլ օգտակար չէ։ Իրականում պետք է սովորել մեքենայական ուսուցման, ինչպես նաև խորքային ուսուցման հիմնարար հիմունքները, որից հետո հնարավոր կլինի շատ արագ համադրել գաղափարներ։ Եթե դու հասկանում ես հիմունքները, կարող ես շատ արագ կողմնորոշվել նոր գաղափարների մեջ։ Օրինակ՝ կարող ես պարզապես կարդալ գիտական հոդվածի ամփոփումը և հասկանալ դրա էությունը՝ առանց երկար մտածելու։ Եվ սա այն առանձնահատկություններից է, որը մենք շատ չենք տեսնում։
Արմեն Աղաջանյանը նաև նկատում է, որ աշխատանքի ընդունման գործընթացում հաճախ հանդիպում են մասնագետների, որոնք կարողանում են կոդ գրել, բայց չեն հասկանում հիմնարար սկզբունքները։ Նրա խոսքով՝ նման մոտեցումը երկարաժամկետ կարիերայի չի հանգեցնում, ուստի հիմնարար գիտելիքների վրա կենտրոնանալը վճռորոշ է։
Եվ երկրորդը՝ մեքենայական ուսուցման մեջ բաց աղբյուրները շատ են։ Ուստի ստեղծե՛ք հետաքրքիր նախագիծ, դարձրե՛ք հասանելի այն՝ որպես բաց աղբյուր, հրապարակե՛ք «X»-ում կամ որևէ այլ հարթակում, և ձեզ կնկատեն։ Անկեղծ ասած, մարդիկ ներկայում հիմնականում սոցիալական ցանցերի միջոցով են աշխատանքի ընդունվում․ ընտրում են մեկին, որը գուցե «անուն» չունի, բայց, օրինակ, «X» սոցիալական ցանցում հետաքրքիր նախագծեր է հրապարակել։
- Իսկ որքանո՞վ են այսօր համալսարանները պատրաստ ԱԲ-ի արագ զարգացող պահանջներին:
- Ընդհանրապես պատրաստ չեն, կամ, կարծում եմ, գուցե երեք-չորս համալսարան կա պատրաստ, հավանաբար, Վաշինգտոնի, Սթենֆորդի, Բերքլիի համալսարանները։
Իսկ իրականությունն այն է, իմ կարծիքով, որ ուսուցման ավանդական համակարգը այնքան էլ արդյունավետ չէ մեքենայական ուսուցման համար։ Ամեն ինչ փոխվում է յուրաքանչյուր ամիս։ Այսինքն՝ եթե դու ունես երկու տարվա ինչ-որ ծրագիր, որը չի թարմացվել, դա գրեթե անօգուտ ծրագիր է։ Դու ժամանակ ես կորցնելու։
Ուստի այն, ինչը ես տեսել եմ հաջողված ծրագրերում, այն է, որ նրանք իսկապես կենտրոնանում են սկզբունքների, հիմունքների վրա։ Նրանք լրացնում են ուսումնական ծրագիրը շատ բարձրորակ դասախոսություններով։ Եվ դա, հավանաբար, միակ ճանապարհն է, որով համալսարանները դառնում են մրցունակ։ Մյուս բավականին անհաջող կողմն այն է, որ համալսարանները շատ հաշվարկային ռեսուրսներ չունեն։ Իրականում կզարմանաք, բայց ԵՊՀ-ն, հավանաբար, նույն կարգի «GPU»-ներ (գրաֆիկական պրոցեսորներ) ունի յուրաքանչյուր ուսանողի հաշվով, ինչ Սթենֆորդի համալսարանը։ Այսինքն՝ ցանկացած տեղ, որտեղ ուսանողներին հնարավորություն կընձեռվի ստանալու հաշվարկային ռեսուրսներ, պրակտիկաներ, կես կամ լրիվ դրույքով աշխատանք, մեծ առավելություն կտա նրանց։
Դու չես կարող ինտուիցիա ձևավորել՝ առանց հաշվարկային ռեսուրսների։
Այնուամենայնիվ, հաջողված կրթական ծրագրերը, ըստ Աղաջանյանի, ունեն մեկ ընդհանուր առանձնահատկություն՝ կենտրոնանում են հիմնարար գիտելիքների վրա և դրանք լրացնում բարձրորակ դասախոսություններով։
- Դուք խոսում եք համալսարաններում հաշվարկային հնարավորություններ ունենալու մասին․ իսկ ԵՊՀ-ում գործող և արդեն իսկ նախագծերով ծանրաբեռնված գերհամակարգիչը ինչպե՞ս կարող է փոխել համալսարանական գիտության և տեխնոլոգիական նորարարության մշակույթը: Ինչպիսի՞ դեր կարող է այն ունենալ Հայաստանում արհեստական բանականության էկոհամակարգի ձևավորման գործում։
- Իրականում ես և ԵՊՀ մեքենայական ուսուցման լաբորատորիայի խմբի ղեկավար, «ԵրևանԷն» գիտակրթական հիմնադրամի տնօրեն Հրանտ Խաչատրյանն ենք երեք տարի առաջ միասին գրել այդ գերհամակարգչի առաջարկը, ուստի դրա գործարկումը մեզ համար ևս կարևոր էր։ Կարծում եմ՝ այս նախաձեռնության ամենամեծ արժեքներից մեկն այն է, որ ձևավորում է բազային հաշվարկային ենթակառուցվածք, որի շնորհիվ ուսանողները կարող են ոչ միայն տեսականորեն սովորել, այլև գործնականում աշխատել մոդելների հետ, դրանք ուսուցանել և այդ ճանապարհով ձևավորել իրական տեխնոլոգիական ինտուիցիա։
Միաժամանակ, համակարգն ունի այնպիսի հզորություն, որը հնարավորություն է տալիս իրականացնելու նաև թիմային և հետազոտական նախագծեր՝ ստանալով արդեն կիրառելի ու չափելի արդյունքներ։ Այս տեսանկյունից սա կարևոր և ճիշտ քայլ էր թե՛ Կառավարության, թե՛ ԵՊՀ-ի կողմից։
Անկեղծ ասած, գործընթացը բավական երկար տևեց, և, իհարկե, ցանկալի էր, որ այն ավելի արագ կյանքի կոչվեր։ Սակայն ամենակարևորը այն է, որ այսօր այդ հիմքը արդեն դրված է։
Ոլորտի մասնագետի կարծիքով՝ սա վերջնակետ չէ, այլ մեկնարկային փուլ, և եթե շարունակվեն ներդրումները հաշվարկային ռեսուրսների զարգացման ուղղությամբ, ապա առաջիկայում հնարավոր կլինի էապես ընդլայնել այդ կարողությունները և ձեռք բերել ավելի մեծածավալ հաշվարկային ռեսուրսներ։
«AI Conf 2026» համաժողովի ընթացքում Արմեն Աղաջանյանը ներկայացրեց «Perceptron» ընկերության գործունեությունն ու տեսլականը։ Նրա խոսքով՝ ընկերությունը հիմնադրվել է մոտ 14 ամիս առաջ՝ հստակ նպատակով՝ ստեղծել հիմնարար տեխնոլոգիական հարթակ, որը կենտրոնացած է հատկապես ապարատային համակարգերի և ֆիզիկական աշխարհի փոխազդեցության վրա։ Գաղափարի հիմքում այն համոզմունքն է, որ այնտեղ, որտեղ տեխնոլոգիան անմիջականորեն առնչվում է իրական միջավայրին՝ լինի դա ռոբոտատեխնիկա, արտադրություն, ավտոմատացում կամ բարդ վերլուծական համակարգեր, պետք է կիրառվեն հենց այդ ուղղությամբ զարգացած մոդելներ։
Ընկերության գործունեության շրջանակը լայն է՝ սկսած արդեն բավականին տարածված ռոբոտատեխնիկական խնդիրներից, օրինակ, սուրճ պատրաստելը կամ գրքերի դասակարգումը, մինչև առավել բարդ՝ բարձր ընկալողական և որոշումների կայացման կարողություններ պահանջող առաջադրանքներ։ Այդ թվում՝ համակարգեր, որոնք կարող են մեծածավալ տեսողական տվյալների հիման վրա արագ և արդյունավետ բացահայտել առավել կարևոր օբյեկտներ ու գործել բարդ միջավայրերում։
Ընդհանուր տեսլականն է ոչ միայն ստեղծել նորարարական լուծումներ, այլ նաև ձևավորել սկզբունքային հենք, որը կարող է ուղղորդել արհեստական բանականության զարգացումը Հարավային տարածաշրջանում առաջիկա տարիներին։
Համաժողովին ներկայացնելով «Արհեստական բանականության հայկական դոկտրին» թեմայով ելույթը՝ նա ընդգծեց Հայաստանի դիրքավորումը և հիմնական սահմանափակումները, հնարավորությունները։ Նա նշեց, որ ներկայում կարևոր է կենտրոնանալ ներքին կարողությունների պահպանման և զարգացման վրա՝ որպես երկարաժամկետ ռազմավարության հիմք։
Բանախոսն ընդգծեց, որ փոքր երկրների, այդ թվում՝ Հայաստանի համար առաջնային ռազմավարությունը չի կարող հիմնված լինել խոշոր մոդելների ինքնուրույն ուսուցման վրա։ Փոխարենը, ըստ նրա, առավել իրատեսական ուղղությունը կիրառման ծառայությունների, կիրառական համակարգերի և ԱԲ-ի ինտեգրված օգտագործման զարգացումն է պետական և մասնավոր հատվածներում։
Ելույթում հատուկ ուշադրություն դարձվեց նաև «open source» մոդելների ապագային։ Բանախոսը նշեց, որ թեև վերջին տարիներին դրանք դիտվում էին որպես խոստումնալից այլընտրանք, վերջին զարգացումները ցույց են տալիս, որ առաջատար փակ մոդելները շարունակում են արագ առաջ անցնել, հատկապես բարդ և ինքնավար գործակալների աշխատանքի գնահատման չափանիշներում։
Աշխարհաքաղաքական տեսանկյունից նա ընդգծեց, որ արհեստական բանականությունը դարձել է ռազմավարական ռեսուրս, և դրա հասանելիությունը կախված է տարբեր ազդեցության կենտրոններից։ Այս իրավիճակում, նրա խոսքով, երկրների համար կարևոր է ոչ թե փորձել ապահովել լիարժեք տեխնոլոգիական «սուվերենություն», այլ ձևավորել ճկուն համակարգեր, որոնք կարող են համադրել տեղական ենթակառուցվածքները և գլոբալ ԱԲ ծառայությունները։
Որպես առանցքային ուղղություն՝ նա առանձնացրեց «GPU»-ների և հաշվարկային ռեսուրսների արդյունավետ օգտագործումը, ինչպես նաև դրանց հիման վրա կիրառական արհեստական բանականության աշխատանքային հոսքերի («AI workflows») ձևավորումը։ Նրա գնահատմամբ՝ Հայաստանի նման երկրների համար կարևոր է զարգացնել այնպիսի համակարգեր, որոնք հնարավորություն կընձեռեն ԱԲ-ն կիրառելու պետական կառավարման, առողջապահության, իրավական և տեխնիկական ոլորտներում:
Ելույթի ավարտին շեշտվեց «physical AI»-ի դերը՝ որպես ապագայի հնարավոր ռազմավարական ուղղություն, որտեղ արհեստական բանականությունը անմիջականորեն փոխազդում է ֆիզիկական միջավայրի հետ՝ սկսած անվտանգության համակարգերից մինչև ռոբոտատեխնիկա։
