Опубликовано: 17.06.2026 | Источник: Schneier on Security

Как использовать идею государственного ИИ в дипломе: кейс Канады и швейцарская модель Apertus

В марте 2026 года в The Globe and Mail вышла резонансная статья, в которой авторы призвали Канаду отказаться от зависимости от американских корпораций в сфере искусственного интеллекта и создать собственный публичный, национализированный ИИ — как инфраструктуру, подобную электросетям или водоснабжению. В центре внимания — инициатива OpenAI по «OpenAI for Countries», которая, несмотря на название, координируется с правительством США и ставит под вопрос суверенитет данных. В ответ — пример Швейцарии, где консорциум университетов и научных центров создал Apertus, открытую, этичную и полностью национальную ИИ-модель.

Почему это важно для вас как студента, пишущего ВКР? Потому что тема государственного ИИ — это не фантастика. Это уже реальность в некоторых странах и будущее, которое активно обсуждается в политике, технологиях и экономике. Включение таких кейсов в диплом делает его не просто современным, а прогнозным. Вы показываете, что понимаете не только текущие технологии, но и их социальные, этические и стратегические последствия — а это ценится на защите и в научных кругах.

К тому же, если вы пишете ВКР по направлениям: информационные системы, управление данными, цифровая трансформация, ИТ-политика или экономика ИИ — этот материал даёт готовые аргументы, примеры и даже структуру для анализа. Давайте разберёмся, как именно его можно использовать.

Темы ВКР, которые можно раскрыть на основе статьи

1. Разработка концепции национального ИИ как публичной инфраструктуры (на примере Канады и Швейцарии)

• Актуальность: Статья показывает, что зависимость от корпоративных ИИ-платформ (вроде OpenAI) ставит под угрозу национальную безопасность, этику и контроль над данными. Канада тратит $2 млрд, но рискует, что выгоду получат США. Швейцария предлагает альтернативу — Apertus. Это делает тему особенно острой для стран, стремящихся к технологическому суверенитету.
• Цель исследования: Обосновать необходимость и разработать концепцию создания национального ИИ как публичной инфраструктуры в условиях технологической зависимости.
• Задачи:
  • Проанализировать риски использования корпоративных ИИ-платформ в государственных секторах.
  • Изучить международный опыт (Швейцария, Канада, ЕС).
  • Определить ключевые компоненты архитектуры публичного ИИ.
  • Предложить модель управления и финансирования.
• Возможная структура работы:
  • Глава 1. Анализ современных ИИ-платформ и их влияния на государственные системы.
  • Глава 2. Кейс Швейцарии: Apertus как модель публичного ИИ.
  • Глава 3. Проект концепции национального ИИ: архитектура, управление, финансирование.
  • Заключение. Рекомендации по внедрению.

2. Оценка этических и правовых рисков корпоративных ИИ на примере инцидента в Тамбл-Ридж

• Актуальность: Инцидент, когда OpenAI знал о потенциальной угрозе от пользователя, но не сообщил властям, — яркий пример отсутствия прозрачности и подотчётности в корпоративных ИИ. Это напрямую связано с регулированием ИИ (например, EU AI Act), что делает тему крайне востребованной.
• Цель исследования: Выявить этические и правовые пробелы в функционировании коммерческих ИИ-систем и предложить механизмы их устранения через государственный контроль.
• Задачи:
  • Проанализировать случай с Тамбл-Ридж с точки зрения этики и законодательства.
  • Сравнить подходы корпоративного и публичного ИИ к обработке чувствительных данных.
  • Оценить соответствие корпоративных ИИ требованиям EU AI Act и других норм.
  • Разработать рекомендации по внедрению механизмов общественного контроля.
• Возможная структура работы:
  • Глава 1. Этические вызовы искусственного интеллекта в общественных системах.
  • Глава 2. Правовой анализ инцидента в Тамбл-Ридж и реакции OpenAI.
  • Глава 3. Механизмы общественного контроля и прозрачности в публичных ИИ-системах.
  • Заключение. Модель этического надзора за ИИ.

3. Экономическая эффективность публичного ИИ на примере Apertus

• Актуальность: Швейцария создала мощный ИИ с затратами, в разы меньшими, чем корпорации. Apertus использует 70 млрд параметров — это скромно по сравнению с триллионами у GPT-4, но достаточно для большинства задач. Это опровергает миф, что ИИ должен быть дорогим, и открывает тему экономической целесообразности публичных решений.
• Цель исследования: Доказать экономическую эффективность создания и эксплуатации публичного ИИ по сравнению с коммерческими аналогами.
• Задачи:
  • Сравнить затраты на разработку и поддержку Apertus и аналогичных корпоративных моделей.
  • Оценить долгосрочные издержки использования API от Big Tech.
  • Рассчитать потенциальную экономию для государственных учреждений.
  • Предложить модель финансирования публичного ИИ.
• Возможная структура работы:
  • Глава 1. Экономические модели развития ИИ: корпоративная vs публичная.
  • Глава 2. Анализ затрат на создание Apertus и аналогичных моделей.
  • Глава 3. Расчёт экономической эффективности внедрения публичного ИИ в госсекторе.
  • Заключение. Финансовая модель устойчивого развития.

Как использовать этот кейс в аналитической главе

Анализ рынка или современных решений

Во второй главе ВКР, где вы анализируете существующие решения, обязательно включите сравнительный анализ:

Такой анализ — не просто перечисление фактов. Это аргументированное обоснование вашего выбора в пользу публичного ИИ в проектной части. Вы показываете, что понимаете разницу между коммерческими и общественными интересами.

Обоснование актуальности (ссылка на статью)

Во введении и первой главе вы можете использовать инцидент с Тамбл-Ридж как яркий пример рисков. Например:

«Как показал случай с OpenAI в Канаде (2026), корпоративные ИИ-системы могут игнорировать угрозы общественной безопасности из-за отсутствия обязательных механизмов отчёта. Это подчёркивает необходимость создания прозрачных, подотчётных систем, управляемых публичными институтами».

Такой ход делает вашу работу новостной и аргументированной. Вы не просто рассказываете о проблеме — вы подкрепляете её реальным кейсом.

Практические примеры для проектной части

Адаптация технологии под задачи ВКР

Допустим, вы разрабатываете ИИ-ассистента для университета. Вместо того чтобы использовать ChatGPT API, предложите альтернативу: локальную модель на базе открытой архитектуры, аналогичную Apertus.

Пример:

• Задача: Персонализированное сопровождение студентов.
• Решение: Модель на 30–50 млрд параметров, обученная на учебных планах, внутренних документах и FAQ вуза.
• Преимущества: Данные не покидают университет, нет платы за запросы, можно настроить под корпоративную этику.

Это не фантастика. Такие модели уже существуют — например, Llama 3 от Meta (при определённых условиях) или Mistral. Вы можете смоделировать архитектуру в своей работе.

Пример архитектуры ИИ-системы

В проектной главе можно предложить такую структуру:

1. Входные данные:
   - Текстовые запросы студентов
   - Данные из LMS (Moodle, Google Classroom)
   - Учебные планы и расписания

2. Ядро системы:
   - Локальная ИИ-модель (например, на базе Mistral 7B)
   - База знаний университета (векторная БД)
   - Механизм модерации и фильтрации

3. Выход:
   - Ответы на вопросы
   - Рекомендации по курсам
   - Напоминания о дедлайнах

4. Управление:
   - Админ-панель для преподавателей
   - Журнал запросов (для аудита)
   - Настройки приватности

Такой подход покажет, что вы не просто копируете существующие решения, а критически оцениваете их и предлагаете альтернативу.

Экономические расчёты — как учесть новые данные

В третьей главе ВКР часто требуются расчёты экономической эффективности. Используйте данные из статьи:

• OpenAI тратит миллиарды на обучение и инфраструктуру.
• Apertus — создан с минимальными затратами, используя существующие вычислительные мощности и возобновляемую энергию.
• Корпоративные API — платные, стоимость растёт с увеличением запросов.

Пример расчёта:

Стоимость использования ChatGPT API для университета (10 000 студентов):
- 5 запросов/студент/день = 50 000 запросов/день
- Средняя стоимость запроса: $0.01
- Годовые расходы: 50 000 × 365 × 0.01 = $182 500

Создание локальной модели (однократно):
- Оборудование: $50 000
- Настройка и обучение: $30 000
- Поддержка: $10 000/год
- Итого за 5 лет: $100 000

Экономия: $812 500 за 5 лет

Такие цифры — мощный аргумент в пользу публичных решений. И они основаны на реальных данных из статьи.

Чему вы научитесь

Если вы возьмёте одну из предложенных тем и проработаете её с опорой на этот кейс, вы:

• Научитесь анализировать технологические тренды через призму политики и этики.
• Освоите методы сравнительного анализа ИИ-систем по критериям: стоимость, прозрачность, безопасность.
• Научитесь обосновывать экономическую эффективность ИТ-решений с учётом долгосрочных затрат.
• Поймёте, как интегрировать международный опыт в локальные проекты.
• Сможете аргументировать необходимость публичных ИИ-инфраструктур — навык, востребованный в госсекторе и НКО.

FAQ

Можно ли использовать такой кейс, если я не технарь?

Конечно. Даже если вы учитесь на юрфаке или в сфере управления, тема государственного ИИ актуальна. Вы можете писать о правовом регулировании, этическом контроле или государственной политике в сфере ИИ. Главное — чётко сформулировать фокус.

Где взять данные для экономических расчётов?

Используйте публичные источники: отчёты компаний (OpenAI, Meta), статьи в WSJ, The Economist, официальные сайты правительств. Также подойдут оценки экспертов и аналитика от Gartner или McKinsey. Укажите, что это приблизительные расчёты — это допустимо в ВКР.

Как убедить научрука, что тема не фантастическая?

Покажите, что это реальный тренд. Швейцария уже запустила Apertus. ЕС работает над EU AI Act. Канада выделяет $2 млрд. Это не теория — это практика. Подкрепите это ссылками и кейсами.

Нужно ли знать программирование, чтобы писать о публичном ИИ?

Нет. Вы можете анализировать политику, экономику, этику. Но если добавите элементы технического понимания (например, архитектуру Apertus или принципы обучения моделей), это повысит ценность работы. Даже базовых знаний достаточно.

Источник: Canada Needs Nationalized, Public AI (опубликовано 2026-03-11)