Для цитирования: Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Искусственный интеллект и большие языковые модели как сквозная технология реализации стратегии развития МГТУ им. Н.Э. Баумана // New science award 2026 : сборник статей Международного научно-исследовательского конкурса (30 марта 2026 г.). — Петрозаводск : МЦНП «НОВАЯ НАУКА», 2026. — C. 51-60. DOI 10.46916/01042026-3-978-5-00276-044-2

***

Литвинова Елена Евгеньевна директор по стратегии ФГАОУ ВО МГТУ им. Н.Э. Баумана

Французов Максим Сергеевич к.т.н., директор НИИ «Энергетического Машиностроения» ФГАОУ ВО МГТУ им. Н.Э. Баумана

Чесалов Александр Юрьевич к.т.н., руководитель проекта «Королев ИИ» ФГАОУ ВО МГТУ им. Н.Э. Баумана

Аннотация. В статье рассматривается системообразующая роль искусственного интеллекта и больших языковых моделей в реализации стратегии развития МГТУ им. Н.Э. Баумана на период до 2036 года. На основе анализа ключевых политик университета — научно-исследовательской, инновационной, образовательной, информационной и цифровой трансформации — обосновывается тезис о том, что технологии ИИ выступают не просто инструментом автоматизации, а сквозной технологией, формирующей новую архитектуру университетской деятельности. Раскрываются конкретные механизмы применения больших языковых моделей в каждой из политик, включая интеллектуализацию научного поиска, ускорение трансфера технологий, персонализацию образования, развитие человеческого капитала, повышение эффективности управления инфраструктурой и формирование новых форматов коммуникации с молодежью. Показан вклад ИИ-технологий в достижение целевых показателей программы развития МГТУ им. Н.Э. Баумана всем стратегическим направлениям.

Ключевые слова: искусственный интеллект, большие языковые модели, цифровая трансформация высшего образования, МГТУ им. Н.Э. Баумана, Университет 4.0.

Artificial Intelligence and Large Language Models as an End-to-End Technology for Implementing the Development Strategy of Bauman Moscow State Technical University

Elena Evgenievna Litvinova

Maxim Sergeevich Frantsuzov

Aleksandr Yuryevich Chesalov

Abstract. This article examines the system-forming role of artificial intelligence and large language models in implementing the development strategy of Bauman Moscow State Technical University through 2036. Based on an analysis of the university’s key policies—research, innovation, education, information and digital transformation—the article substantiates the thesis that AI technologies are not simply an automation tool, but an end-to-end technology shaping a new architecture for university activities. Specific mechanisms for applying large language models in each of the policies are revealed, including the intellectualization of scientific research, acceleration of technology transfer, personalization of education, development of human capital, increased efficiency of infrastructure management, and the formation of new formats of communication with young people. The contribution of AI technologies to achieving the target indicators of Bauman Moscow State Technical University’s development program across all strategic areas is demonstrated.

Keywords: artificial intelligence, large language models, digital transformation of higher education, Bauman Moscow State Technical University, University 4.0.

Введение

Стратегия развития МГТУ им. Н.Э. Баумана на период до 2036 года определяет переход к модели Университета 4.0 — университета полного инновационного цикла, интегрирующего образование, науку и индустрию для обеспечения технологического лидерства Российской Федерации. В основе этого перехода лежат девять ключевых политик, охватывающих все сферы деятельности университета: научно-исследовательскую, инновационную, образовательную, кадровую, кампусную и инфраструктурную, а также дополнительные направления — информационную, молодежную и политику в области цифровой трансформации и открытых данных [1, с. 38].

Каждая из этих политик сталкивается с вызовами, требующими принципиально новых подходов. В научной сфере — это рост наукоемкости разработок и необходимость междисциплинарных исследований. В инновационной — разрывы инновационного цикла и слабое взаимодействие с промышленностью. В образовании — дефицит инженерных кадров с междисциплинарными компетенциями и технологическая деградация учебной инфраструктуры. В кадровой политике — старение научно-педагогического состава и высокая аудиторная нагрузка. В управлении инфраструктурой — зависимость от зарубежного ПО и недостаточная защищенность ИТ-инфраструктуры.

Технологии искусственного интеллекта (ИИ), и, в частности, большие языковые модели (англ. Large Language Model, LLM), обладают потенциалом стать сквозной технологией, обеспечивающей решение этих вызовов на системном уровне. Они способны не только автоматизировать рутинные операции, но и трансформировать саму природу деятельности университета в каждой из перечисленных сфер, создавая новые возможности для генерации знаний, ускорения инноваций и процессов образовательной деятельности, персонализации образования, развития человеческого капитала и повышения эффективности управления [2, с. 34].

Цель настоящего исследования — систематизировать и обосновать роль искусственного интеллекта и больших языковых моделей в реализации каждой из ключевых политик МГТУ им. Н.Э. Баумана, показав их взаимосвязь и синергетический эффект в достижении стратегических целей программы развития до 2036 года.

Научно-исследовательская политика

Научно-исследовательская политика университета базируется на трех принципах: междисциплинарности исследований, развития научных школ и независимости научной экспертизы. Искусственный интеллект открывает новые возможности для реализации каждого из них:

1. Поддержкамеждисциплинарных исследований. Современные LLM, обученные на огромных массивах текстовых данных из различных научных областей, способны выявлять неочевидные связи между концепциями, предлагать оригинальные комбинации методов и формировать гипотезы на стыке дисциплин. В контексте приоритетных направлений университета — квантовых вычислений (Bauman DeepTech), биомедицинской инженерии (Bauman SmartBiomed) и экологических технологий (Bauman GoGreen) — LLM могут [3, с. 56; 4, с. 84]:
   • – анализировать литературу по смежным областям, выявляя методы и подходы, потенциально применимые в решении задач проекта;
   • – генерировать предложения по формированию междисциплинарных исследовательских групп на основе анализа профилей ученых и их публикационной активности;
   • – помогать в подготовке заявок на гранты, интегрируя информацию из различных источников и формируя убедительное обоснование междисциплинарного подхода.
2. Развитие научных школ.LLM могут выступать инструментом сохранения и развития научного знания, накопленного в ведущих научных школах университета. Создание специализированных LLM, дообученных на основе публикаций, диссертаций, отчетов и технической документации конкретной научной школы, позволяет:
   • – обеспечить преемственность знаний при смене поколений исследователей;
   • – систематизировать и структурировать накопленный опыт, делая его доступным для молодых ученых;
   • – выявлять перспективные направления развития научной школы на основе анализа мировых трендов и собственного задела.
3. Независимость научной экспертизы.LLM могут выступать в роли инструмента поддержки экспертизы, не подменяя эксперта, но предоставляя ему:
   • – автоматизированный анализ новизны и оригинальности научных результатов на основе сопоставления с мировым уровнем;
   • – выявление потенциальных конфликтов интересов и нарушений публикационной этики;
   • – формирование структурированных заключений, повышающих прозрачность и объективность экспертных оценок.

Политика в области инноваций и коммерциализации

Политика в области инноваций и коммерциализации базируется на принципах развития потенциала полного инновационного цикла, рыночной диверсификации и развития культуры инноваций. Технологии ИИ способны кардинально ускорить трансфер технологий от лаборатории к рынку, а именно:

1. Сократить инновационный цикл. LLM могут автоматизировать многие этапы инновационного цикла:
   • – Анализ уровней технологической готовности (англ. Technology Readiness Levels, TRL). На основе описания разработки и сопоставления с базами знаний модель может оценить текущий уровень TRL и предложить дорожную карту повышения готовности.
   • – Патентный анализ. Автоматическое проведение патентных исследований, выявление аналогов, оценка патентоспособности, генерация черновиков патентных заявок.
   • – Подготовка бизнес-планов. Формирование структурированных бизнес-планов и презентаций для инвесторов на основе технического описания разработки и анализа рыночной конъюнктуры.
2. Диверсифицировать рынки. LLM могут анализировать мировые рынки наукоемкой продукции, выявляя потенциальные ниши для коммерциализации разработок университета. Анализ патентных ландшафтов, публикационной активности конкурентов, динамики технологических трендов позволяет формировать рекомендации по наиболее перспективным направлениям рыночной экспансии.
3. Развивать культуру инноваций.Создание LLM-ассистентов для поддержки инновационной деятельности позволяет:
   • – предоставлять консультации по вопросам коммерциализации (патентование, лицензирование, создание спин-офф компаний) в режиме 24/7;
   • – формировать сообщество инноваторов, объединяя исследователей, студентов и предпринимателей вокруг перспективных разработок;
   • – тиражировать успешные практики коммерциализации через интеллектуальную базу знаний.

Образовательная политика

Образовательная политика университета базируется на принципах образования через практику, академического превосходства, гибкости и многообразия. Искусственный интеллект позволяет реализовать эти принципы в масштабе, недоступном традиционным подходам через:

1. Образование через практику. Интеграция LLM в образовательный процесс обеспечивает:
   • – Cвязь с реальными проектами. Автоматическое сопоставление профилей студентов с задачами от индустриальных партнеров, формирование проектных команд с комплементарными компетенциями.
   • – Интеллектуального наставника. ИИ-ассистент, сопровождающий студентов в проектной деятельности, помогающий в решении практических задач, объясняющий сложные концепты в контексте конкретного проекта.
   • – Цифровые двойники образовательных траекторий. Моделирование влияния выбора курсов и проектов на формирование целевых компетенций и карьерные перспективы.
2. Гибкость и многообразие. LLM позволяют реализовать индивидуальные образовательные траектории в масштабе тысяч студентов:
   • – Динамическое формирование траекторий. На основе непрерывного анализа успеваемости, интересов и карьерных целей студента LLM предлагает адаптацию образовательного маршрута.
   • – Генерация персонализированного контента. Создание вариантов заданий, дополнительных материалов, пояснений, адаптированных под уровень подготовки и когнитивный стиль обучающегося.
   • – Автоматизированная обратная связь. Проверка развернутых ответов, эссе, проектных работ с формированием рекомендаций по улучшению.
3. Академическое превосходство.LLM способствуют повышению качества образования через:
   • – Интеллектуальную поддержку преподавателя. Автоматизация рутинных операций (проверка работ, формирование отчетов), высвобождающая время для содержательного взаимодействия со студентами;
   • – Аналитику успеваемости. Выявление студентов, испытывающих трудности, прогнозирование рисков отчисления, своевременное предложение дополнительной поддержки;
   • – Обновление содержания. Автоматический мониторинг развития профессиональных областей и формирование предложений по актуализации учебных программ.

Информационная политика

Информационная политика базируется на принципах ориентации на целевые аудитории, достоверности информации и многоканальности. LLM позволяют реализовать эти принципы на качественно новом уровне, через:

1. Ориентацию на целевые аудитории. LLM позволяют персонализировать коммуникации:
   • – Адаптация контента. Автоматическое переформатирование новостей, объявлений, материалов для различных каналов (сайт, соцсети, почтовые рассылки) с учетом специфики аудитории.
   • – Таргетирование. Формирование персонализированных рассылок на основе анализа интересов и поведения пользователей.
   • – Обратную связь. Анализ комментариев и обращений для выявления потребностей и проблем различных групп стейкхолдеров.
2. Обеспечение достоверности информации. LLM могут участвовать в обеспечении достоверности:
   • – Фактчекинг. Автоматическая проверка фактов в публикуемых материалах, сверка с первоисточниками.
   • – Обнаружение «фейков». Выявление недостоверной информации, распространяемой в медиапространстве, связанной с университетом.
   • – Контроль актуальности. Автоматический мониторинг устаревания информации на сайте и в социальных сетях, формирование предложений по обновлению.
3. Многоканальность. LLM обеспечивают единообразие коммуникации по всем каналам:
   • – Генерация контента. Создание текстов для различных каналов из единого информационного источника с сохранением смысловой идентичности.
   • – Мониторинг упоминаний. Анализ публикаций о университете в различных медиа, формирование сводок и аналитических отчетов.
   • – Автоматизированное модерирование. Обработка комментариев и обращений в социальных сетях с выделением критически важных для оперативного реагирования.

Политика в области цифровой трансформации

Политика в области цифровой трансформации базируется на принципах надежности и безопасности ИТ-инфраструктуры, интеграции цифровых сервисов и целостности цифровых данных, накоплении опыта и реализации лучших практик. Политика в области открытых данных — на принципах целостности, достоверности, доступности, качества и конфиденциальности. Технологии ИИ являются ядром цифровой трансформации, которые обеспечивают:

1. Надежность ИТ-инфраструктуры. LLM могут повышать надежность через:
   • – Прогнозирование сбоев. Анализ логов, данных мониторинга для выявления предвестников отказов и инициации превентивных мер.
   • – Интеллектуальная поддержка операторов. Помощь в диагностике и устранении неисправностей, формирование рекомендаций.
   • – Автоматизация реагирования. Обработка инцидентов безопасности, автоматическое применение типовых сценариев реагирования.
2. Интеграцию цифровых сервисов.LLM выступают естественным интегратором разнородных сервисов:
   • – Единый интеллектуальный интерфейс. Доступ ко всем сервисам через диалогового ассистента, исключающий необходимость навигации по множеству систем.
   • – Семантическая интеграция данных. LLM могут извлекать информацию из одного сервиса и передавать в другой, обеспечивая бесшовность процессов.
   • – Сокращение транзакционных издержек. Автоматическое заполнение форм, формирование запросов, согласование данных между системами.
3. Целостность цифровых данных.LLM могут способствовать поддержанию целостности данных:
   • – Обнаружение аномалий. Выявление несоответствий, дубликатов, ошибочных записей в базах данных.
   • – Автоматическое исправление. Формирование предложений по корректировке данных с обоснованием.
   • – Валидация. Проверка вводимых данных на соответствие логическим и семантическим правилам.
4. Доступность и качество открытых данных. LLM могут повышать ценность открытых данных:
   • – Аннотирование. Создание описаний наборов данных на естественном языке, облегчающих их поиск и использование.
   • – Генерация запросов. Преобразование запросов на естественном языке в формальные запросы к базам открытых данных.
   • – Визуализация. Автоматическое формирование диаграмм и графиков по запросам пользователей.
   • – Конфиденциальность. Автоматическое обнаружение и удаление персональных данных из наборов, предназначенных для открытой публикации.

Заключение

Таким образом, программа развития МГТУ им. Н.Э. Баумана на период до 2036 года задает амбициозную цель — переход к модели Университета 4.0, университета полного инновационного цикла, интегрирующего образование, науку и индустрию. Достижение этой цели требует трансформации всех ключевых политик университета — научно-исследовательской, инновационной, образовательной, кадровой, кампусной, информационной, молодежной и цифровой.

Как мы видим, технологии искусственного интеллекта и большие языковые модели выступают сквозной технологией, обеспечивающей эту трансформацию. В научно-исследовательской политике они, если так можно сказать, наделяют «интеллектом» научный поиск, поддерживают междисциплинарность и сохраняют знания научных школ. В инновационной политике — ускоряют трансфер технологий, снижают барьеры коммерциализации и развивают культуру инноваций. В образовательной политике — обеспечивают персонализацию, практико-ориентированность и гибкость. В кадровой политике — способствуют развитию и удержанию талантов. В кампусной — создают интеллектуальную среду. В информационной — повышают качество и доступность коммуникаций. В молодежной — поддерживают развитие личности и гражданской позиции. В политике цифровой трансформации — формируют основу для создания интегрированной цифровой экосистемы.

Синергетический эффект от внедрения ИИ во все политики заключается в создании единого информационного пространства – цифровой экосистемы, ускорении обратной связи и снижении транзакционных издержек. Это позволяет университету не только достичь целевых показателей программы развития (рост объема НИОКР до 30 млрд рублей, увеличение доли оцифрованных бизнес-процессов до 95 %, рост удовлетворенности студентов и сотрудников), но и сформировать новую модель инженерного университета, способного обеспечить технологическое лидерство страны.

По нашему мнению, дальнейшие исследования должны быть направлены на разработку конкретных архитектур ИИ-платформ и сервисов для каждой из политик, создание методик оценки эффективности их внедрения, формирование нормативной базы использования ИИ в университетской деятельности, а также на интеграцию с отечественными программно-аппаратными комплексами и платформами в рамках выполнения задач импортозамещения и технологической независимости нашей страны [5, с. 1].

Список литературы

1. Программа развития Федерального государственного автономного образовательного учреждения высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» на 2025–2036 годы [Электронный ресурс] 2025 URL: https://bmstu.ru/sveden/priority-2030 (дата обращения: 29.03.2026). – Текст: электронный.
2. Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Интеграция больших языковых моделей в образовательную экосистему МГТУ им. Н.Э. Баумана: кейс платформы «Korolev AI» // Science and technology research – 2026: сборник статей Международной научно-практической конференции (5 февраля 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 34-41. DOI 10.46916/09022026-1-978-5-00276-001-5
3. Чесалов А.Ю. Анализ возможности применения модели OpenThinker2-32B в автоматизированных системах прогнозируемого обслуживания для малых и средних промышленных предприятий // Нейрокомпьютеры: разработка, применение. – 2025. Т. 27. № 5. С. 56–70. DOI: https://doi.org/10.18127/j19998554-202505-07
4. Чесалов А.Ю. Применение больших языковых моделей в автоматизированных системах прогнозируемого обслуживания промышленного оборудования // Society, science, practice»: материалы XI Международной научно-практической конференции (15 декабря 2025г., г. Москва). М.: АНО ДПО «Университет ИТБО», КРСУ им. первого Президента Российской Федерации Б.Н. Ельцина, 2025. – С. 84-92. DOI: 10.26118/y2517-2117-6897-r
5. Указ Президента Российской Федерации от 28.02.2024 г. № 145. О Стратегии научно-технологического развития Российской Федерации [Электронный ресурс] 2024 URL: http://www.kremlin.ru/acts/bank/50358 (дата обращения: 29.03.2026). – Текст: электронный.