Для цитирования: Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Технологии искусственного интеллекта как архитектурный базис форсированного научно-технологического развития // «Современные тенденции развития науки, общества и образования», (2026, Москва) / Сборник материалов XXVI Международной научнопрактической конференции – ООО «Издательство Академическая среда», 2026 – С. 249 – 260. DOI: 10.62994/2290.2026.24.17.009

***

Литвинова Елена Евгеньевна, директор по стратегии ФГАОУ ВО МГТУ им. Н.Э. Баумана, litvinova_ee@bmstu.ru, Россия, Москва

Litvinova Elena Evgenevna, Director of Strategy, Federal State Autonomous Educational Institution of Higher Education, Moscow State Technical University. N.E. Bauman, litvinova_ee@bmstu.ru, Russia, Moscow

Французов Максим Сергеевич, к.т.н., директор НИИ «Энергетического Машиностроения» МГТУ им. Н.Э. Баумана, frantsuzov@bmstu.ru, Россия, Москва

Frantsuzov Maxim Sergeevich, Candidate of Technical Sciences, Director of the Research Institute of Power Engineering, Moscow State Technical University named after. N.E. Bauman, frantsuzov@bmstu.ru, Russia, Moscow

Чесалов Александр Юрьевич, к.т.н., руководитель проекта «Королев ИИ», ФГАОУ ВО МГТУ им. Н.Э. Баумана, chesalov@bmstu.ru, Россия, Москва

Chesalov Alexander Yurievich, Candidate of Technical Sciences, head of the “Korolev AI” project Federal State Autonomous Educational Institution of Higher Education MSTU named after. N.E. Bauman, chesalov@bmstu.ru, Russia, Moscow

Технологии искусственного интеллекта как архитектурный базис форсированного научно-технологического развития

Artificial intelligence technologies as an architectural basis for accelerated scientific and technological development

Аннотация. В статье рассматривается роль технологий искусственного интеллекта, в частности больших языковых моделей, в реализации одной из основных стратегических целей Программы развития МГТУ им. Н.Э. Баумана — создании базиса для увеличения объемов исследований и разработок по приоритетным направлениям научно-технологического развития. На основе анализа целевых показателей и принципов научно-исследовательской политики университета (междисциплинарность, развитие научных школ, независимость научной экспертизы) обосновывается необходимость интеграции больших языковых моделей в полный цикл исследовательской деятельности. Предложена архитектурная модель интеллектуальной исследовательской среды, обеспечивающая ускорение генерации гипотез, оптимизацию экспериментальных процессов, автоматизацию научной коммуникации и поддержку трансфера технологий. Показан вклад предлагаемых решений в достижение ключевых показателей: увеличение объема НИОКР с 5,9 млрд до 30 млрд рублей, рост доли научно-педагогических работников, вовлеченных в исследования, с 20% до 75%, а также увеличение количества публикаций в журналах Q1–Q2 с 420 до 2100 к 2030 году.

Ключевые слова: искусственный интеллект, большие языковые модели, научные исследования, МГТУ им. Н.Э. Баумана, Университет 4.0.

Abstract. This article examines the role of artificial intelligence technologies, particularly large language models, in achieving one of the key strategic goals of the Bauman Moscow State Technical University Development Program: creating a foundation for increasing research and development in priority areas of scientific and technological advancement. Based on an analysis of the university’s target indicators and research policy principles (interdisciplinarity, development of scientific schools, and independence of scientific expertise), the need to integrate large language models into the full research cycle is substantiated. An architectural model of an intelligent research environment is proposed that accelerates hypothesis generation, optimizes experimental processes, automates scientific communication, and supports technology transfer. The contribution of the proposed solutions to achieving key indicators is demonstrated: an increase in R&D volume from 5.9 billion to 30 billion rubles, an increase in the share of academic staff involved in research from 20% to 75%, and an increase in the number of publications in Q1–Q2 journals from 420 to 2,100 by 2030.

Keywords: artificial intelligence, large language models, scientific research, Bauman Moscow State Technical University, University 4.0.

Введение

Стратегическая цель Программы развития МГТУ им. Н.Э. Баумана на период до 2030 года формулируется как «Создание базиса для увеличения объемов исследований и разработок по приоритетным направлениям научно-технологического развития».  Эта цель отражает ключевой вызов, стоящий перед системой университетской науки в условиях санкционного давления и необходимости обеспечения технологического суверенитета страны: глобальную реконфигурацию научно-производственных связей, рост наукоемкости разработок и разрывы инновационного цикла [[1]].

Программа развития ставит амбициозные целевые показатели для преодоления этих вызовов: увеличение объема НИОКР с 5,9 млрд рублей в 2023 году до 30 млрд рублей к 2030 году, рост доли научно-педагогических работников, участвующих в исследованиях и разработках, с 20% до 75%, увеличение доли студентов и аспирантов в фонде оплаты труда НИОКР с 2% до 10%, а также увеличение количества публикаций в журналах первого и второго квартиля с 420 до 2100. Достижение этих показателей требует принципиально новой организации научно-исследовательской деятельности, способной обеспечить масштабируемость, междисциплинарность и ускоренный трансфер результатов в индустрию.

Ключевыми принципами научно-исследовательской политики, задающими вектор трансформации, являются: междисциплинарность исследований, развитие научных школ и независимость научной экспертизы. Эти принципы в совокупности ориентируют на создание среды, где ученые из различных областей могут эффективно взаимодействовать, научные школы получают поддержку для своего развития, а результаты исследований оцениваются на основе объективных критериев.

В этой связи особую актуальность приобретает использование технологий искусственного интеллекта (ИИ), и, в частности, больших языковых моделей (англ. Large Language Model, LLM), которые способны обеспечить интеллектуальную поддержку всех этапов исследовательского цикла — от генерации гипотез до публикации результатов и коммерциализации разработок [[2], [3], [4], [5]].

Цель настоящей работы — обосновать роль LLM как ключевого технологического инструмента достижения стратегической цели №2 и предложить архитектурные решения для их интеграции в научно-исследовательскую среду МГТУ им. Н.Э. Баумана.

Принципы реализации стратегической цели

Анализ Программы развития позволяет выделить ключевые компоненты стратегической цели «Создание базиса для увеличения объемов исследований и разработок по приоритетным направлениям научно-технологического развития», определяющие направления трансформации научно-исследовательской деятельности:

1. Целевые показатели и структура НИОКР. Программа развития фиксирует следующие количественные ориентиры:
   • Объем НИОКР. Рост с 5,9 млрд рублей в 2023 году до 30 млрд рублей к 2030 году. Это предполагает ежегодный прирост более чем на 25 %, что требует не только увеличения финансирования, но и кардинального повышения эффективности исследовательских процессов.
   • Вовлеченность научно-педагогических работников. Увеличение доли НПР, участвующих в НИОКР, с 20 % до 75 %. Это означает, что исследовательская деятельность должна стать нормой для подавляющего большинства преподавателей, а не уделом небольшой группы ученых.
   • Участие студентов и аспирантов. Рост доли обучающихся в фонде оплаты труда НИОКР с 2% до 10%. Это отражает задачу вовлечения молодежи в реальные исследования начиная с младших курсов.
2. Публикационная активность. Увеличение количества статей в журналах Q1–Q2 с 420 до 2100, что требует пятикратного роста продуктивности научных коллективов.
3. Ключевые принципы научно-исследовательской политики. Три принципа, зафиксированные в Программе развития, задают содержательные ориентиры для преобразований:
   • Принцип междисциплинарности исследований. Предполагает сосредоточение усилий на исследованиях на стыке различных научных областей, создание междисциплинарных кластеров, объединяющих ученых из разных направлений. Этот принцип отражает понимание того, что прорывные результаты сегодня рождаются на пересечении дисциплин.
   • Принцип развития научных школ. Требует поддержки ведущих ученых и их команд, создания условий для участия молодых исследователей в проектах, обеспечения доступа к современным инструментам и международному сотрудничеству.
   • Принцип независимости научной экспертизы. Гарантирует объективность оценки результатов исследований, недопущение влияния внешних факторов, обеспечение высоких профессиональных и этических стандартов.
4. Инициативы и проекты, обеспечивающие достижение цели. Программа развития выделяет следующие стратегические инициативы и технологические проекты [[6], [7], [8]]:
   • Инициатива 2.1 «Создание уникального междисциплинарного кластера Квантум-парк». Оснащение высокотехнологичным оборудованием для исследований в области квантовых, фотонных и флюидных технологий.
   • Инициатива 2.2 «Создание Центра анализа передовых технологий». Обеспечение органов государственного управления научно-технической экспертизой и прогнозной аналитикой.
   • Инициатива 2.3 «Механизм венчурного финансирования предпринимательской деятельности». Создание благоприятной среды для привлечения инвестиций в университетские спин-оффы и стартапы.
   • Инициатива 2.4 «Механизм проектного финансирования инженерных разработок». Решение проблемы покрытия кассового разрыва при выполнении капиталоемких и долгосрочных НИОКР.

Потенциал больших языковых моделей в научных исследованиях

Большие языковые модели, демонстрирующие способность к пониманию и генерации естественного языка, анализу больших массивов текстовой информации, решению сложных когнитивных задач и поддержке диалога, могут трансформировать все этапы исследовательской деятельности, а именно:

1. Генерация гипотез и постановка задач. Одним из наиболее перспективных направлений применения LLM в научной деятельности является генерация новых гипотез. Модели, обученные на больших корпусах научных текстов из различных областей, способны:
   • выявлять неочевидные связи между концепциями, принадлежащими разным дисциплинам, что непосредственно поддерживает принцип междисциплинарности;
   • анализировать противоречия в существующих исследованиях и предлагать направления для их разрешения;
   • генерировать гипотезы для конкретных экспериментальных установок, учитывая доступные ресурсы и оборудование.
   • Ускорение вычислительных экспериментов и обработки данных. В современной научной практике значительная часть времени исследователя тратится на написание и отладку кода для проведения вычислительных экспериментов. Например, LLM для генерации кода способны:
   • генерировать код для реализации математических моделей и алгоритмов на основе описания на естественном языке;
   • автоматически создавать скрипты для обработки экспериментальных данных и визуализации результатов;
   • выполнять рефакторинг и оптимизацию существующего кода, что особенно важно для обеспечения воспроизводимости результатов;
   • переводить код с одного языка программирования на другой, что облегчает междисциплинарное взаимодействие.
2. Интеллектуальная поддержка научной коммуникации и публикационной активности. Публикация результатов является обязательным этапом научной деятельности, и LLM могут существенно облегчить этот процесс:
   • Анализ литературы и выявление трендов. LLM могут выполнять семантический поиск, выделять ключевые идеи, методы и результаты из тысяч публикаций, строить карты научных направлений и прогнозировать развитие технологических трендов.
   • Генерация черновиков научных статей. На основе структурированного описания эксперимента и полученных результатов модель может сгенерировать полноценный черновик статьи, включая введение, описание методов, результаты и обсуждение, что позволяет автору сосредоточиться на содержательной стороне.
   • Адаптация стиля под требования журналов. LLM могут переформатировать текст в соответствии со стилем конкретного научного журнала, что упрощает процесс подачи рукописи и повышает шансы на принятие.
   • Подготовка рецензий. Модели могут выполнять предварительную проверку рукописей, выявляя формальные недостатки, логические противоречия и потенциальные проблемы с воспроизводимостью результатов.
3. Управление знаниями и обеспечение воспроизводимости. Воспроизводимость научных результатов является одной из ключевых проблем современной науки, особенно в условиях растущей сложности экспериментальных установок и вычислительных методов. LLM могут способствовать ее решению:
   • автоматическая генерация документации к программному коду и экспериментальным данным;
   • создание структурированных описаний экспериментальных протоколов;
   • формирование метаданных для депонирования наборов данных в открытые репозитории;
   • поддержка стандартов FAIR (англ. Findable, Accessible, Interoperable, Reusable) для научных данных.
4. Поддержка научных школ и наставничества. Принцип развития научных школ требует создания условий для передачи знаний от опытных исследователей к молодым. LLM могут:
   • формировать персонализированные траектории обучения для молодых ученых на основе их профиля и целей;
   • анализировать публикационную активность научной школы для выявления областей роста и потенциальных коллабораций;
   • обеспечивать интеллектуальную поддержку при подготовке заявок на гранты, включая анализ требований фондов и формирование проектов заявок.

Концепция архитектурной модели интеллектуальной исследовательской среды

Для интеграции LLM в процессы, обеспечивающие достижение стратегической цели «Создание базиса для увеличения объемов исследований и разработок по приоритетным направлениям научно-технологического развития», предлагается трехуровневая архитектура, согласованная с целевыми показателями и принципами научно-исследовательской политики, которая включает:

1. Уровень инфраструктуры и данных. Данный уровень обеспечивает техническую базу для функционирования LLM-сервисов:
   • Вычислительный кластер. Высокопроизводительные серверы с ускорителями (GPU, TPU, а в перспективе —вычислители, позволяющие выполнять принятие решений на основе данных при помощи ИИ и дообучение больших языковых моделей. Этот кластер является частью более широкой вычислительной инфраструктуры университета, включающей суперкомпьютерные ресурсы.
   • «Озеро» научных знаний. Структурированное хранилище, содержащее научные публикации (включая открытые архивы и лицензионные коллекции), патентные базы, диссертации, научно-технические отчеты, а также внутренние документы университета. Важным требованием является обеспечение легитимного доступа к этим материалам и соблюдение авторских прав.
   • «Фабрика» моделей. Система для развертывания, тонкой настройки и поддержки версий LLM, обеспечивающая возможность использования как предобученных моделей, так и специализированных версий, дообученных на «озере» научных данных университета.
2. Уровень исследовательских сервисов. На этом уровне развертываются специализированные LLM-сервисы для поддержки различных аспектов научно-исследовательской деятельности:
   • Сервис генерации гипотез и предложений для новых исследований, основанный на анализе существующего научного ландшафта и выявлении нерешенных проблем. Сервис интегрирован с корпусом научных знаний и учитывает приоритетные направления, определенные программой развития.
   • Сервис для автоматической генерации, анализа и оптимизации кода, интегрируемый со средами разработки, GitLab и системами управления экспериментальными данными, и системой «антиплагиат» программного кода. Особое внимание уделяется поддержке языков и библиотек, используемых в стратегических технологических проектах.
   • Сервис поддержки публикационной активности, помогающий в подготовке рукописей, адаптации под требования журналов и рецензировании. Сервис может анализировать рецензии и предлагать варианты доработки текста.
   • Сервис для подготовки заявок на гранты, анализирующий требования фондов, генерирующий проекты заявок и оценивающий их соответствие критериям. Сервис может также выявлять потенциальные источники финансирования под конкретные исследовательские направления.
   • Сервис для поиска потенциальных партнеров по исследованиям (как внутри университета, так и за его пределами) на основе анализа научных профилей, публикаций и текущих проектов. Этот сервис непосредственно поддерживает принцип междисциплинарности.
3. Уровень взаимодействия. Этот уровень обеспечивает доступ к сервисам для различных категорий пользователей:
   • Личный кабинет исследователя. Единый интерфейс, объединяющий все LLM-сервисы, позволяющий исследователю управлять научными проектами, анализировать литературу, генерировать гипотезы, готовить публикации и отслеживать статус грантовых заявок.
   • Коллаборативные пространства. Виртуальные лаборатории, где исследователи из различных подразделений и организаций могут совместно работать над проектами, используя LLM-сервисы как инструмент командной работы.
   • Интеграционные API. Интерфейсы для встраивания LLM-сервисов в существующие информационные системы университета (системы управления проектами, порталы научной информации, LMS) и внешние платформы партнеров.

Роль языковых моделей в реализации инициатив и проектов

Предлагаемые LLM-сервисы находят практическое применение в стратегических инициативах и технологических проектах, обеспечивающих достижение цели «Создание базиса для увеличения объемов исследований и разработок по приоритетным направлениям научно-технологического развития»:

1. Поддержка инициативы 2.1 «Создание междисциплинарного кластера Квантум-парк». Квантум-парк объединяет исследования в области квантовых и фотонных технологий. LLM могут:
   • обеспечивать интеграцию знаний между различными направлениями, выявляя точки пересечения и возможности для междисциплинарных проектов;
   • генерировать коды для симуляции квантовых систем на основе описания физических процессов на естественном языке;
   • автоматизировать обработку и интерпретацию экспериментальных данных, получаемых на уникальном оборудовании Квантум-парка;
   • формировать отчеты и публикации, объединяющие результаты исследований различных групп.
2. Поддержка инициативы 2.2 «Создание Центра анализа передовых технологий». Центр анализа передовых технологий обеспечивает научно-техническую экспертизу и прогнозную аналитику. LLM могут:
   • автоматически обрабатывать большие массивы научно-технической информации для выявления формирующихся трендов и прогнозирования развития технологий;
   • генерировать аналитические справки и отчеты для органов государственного управления по запросам на естественном языке;
   • выявлять потенциальные «точки роста» и «узкие места» в развитии критических и сквозных технологий;
   • обеспечивать верифицируемость выводов через ссылки на первоисточники.
3. Поддержка инициатив 2.3 и 2.4 (венчурное и проектное финансирование). LLM могут существенно повысить эффективность процессов коммерциализации и привлечения финансирования:
   • Анализ технологической готовности и рыночного потенциала. LLM автоматически анализирует результаты исследований (публикации, патенты, экспериментальные данные) для оценки уровня технологической готовности (англ. Technology Readiness Levels, TRL) и выявления потенциальных областей коммерческого применения.
   • Интеллектуальное патентование. Подготовка черновиков патентных формул и описаний изобретений, анализ новизны и изобретательского уровня, выявление потенциальных нарушений патентных прав.
   • Сопровождение инновационных проектов. Помощь в подготовке бизнес-планов и презентаций для инвесторов, генерация проектов лицензионных договоров, предоставление информации о мерах государственной поддержки.

Вклад больших языковых моделей в достижение целевых показателей

Интеграция LLM в научно-исследовательскую среду позволяет существенно ускорить достижение ключевых показателей, зафиксированных в программе развития.

1. Объем НИОКР (с 5,9 млрд до 30 млрд руб.). Автоматизация рутинных процессов (поиск литературы, написание кода, подготовка документации) высвобождает время исследователей для решения содержательных задач. Интеллектуальная поддержка формирования коллабораций и коммерциализации способствует привлечению внебюджетного финансирования. Ускорение подготовки грантовых заявок и патентной документации повышает конкурентоспособность университета в конкурсах на финансирование. Совокупный эффект этих факторов делает целевой показатель достижимым.
2. Доля научно-педагогических работников, участвующих в НИОКР (с 20% до 75%). LLM-инструменты снижают порог входа в исследовательскую деятельность для преподавателей, которые ранее были сосредоточены преимущественно на учебной работе. Автоматизация рутинных аспектов исследовательского процесса, интеллектуальная поддержка на всех этапах, возможность быстрого получения информации о новых методах и подходах — все это способствует вовлечению более широкого круга научно-производственных сотрудников университета в исследования и разработки.
3. Доля студентов и аспирантов в ФОТ НИОКР (с 2% до 10%). LLM-сервисы, интегрированные в образовательный процесс, позволяют студентам быстрее включаться в реальные исследования. Генерация адаптированных заданий, интеллектуальное сопровождение проектной деятельности, автоматизация проверки промежуточных результатов — все это создает условия для масштабирования вовлечения молодежи в НИОКР.
4. Количество публикаций в журналах Q1–Q2 (с 420 до 2100). Сервисы поддержки публикационной деятельности снижают временные затраты на подготовку рукописей, адаптацию под требования журналов и подготовку ответов рецензентам. Анализ научных трендов позволяет выбирать наиболее перспективные темы и журналы для публикаций. Генерация черновиков статей ускоряет процесс документирования результатов. Эти факторы обеспечивают необходимый рост публикационной активности.

Новые вызовы и направления дальнейших исследований

Внедрение LLM в научно-исследовательскую деятельность сопряжено с рядом следующих вызовов, требующих системного решения:

1. Надежность и верифицируемость результатов. LLM могут генерировать убедительные, но неверные результаты (галлюцинации), что в научном контексте недопустимо. Требуется разработка:
   • методов верификации результатов LLM, включая интеграцию с системами управления референциями для проверки корректности цитирования;
   • механизмов запроса источников и обоснований для каждого утверждения;
   • гибридных архитектур, где LLM выступает в роли интерфейса, а критически важные вычисления выполняются верифицированными физико-математическими моделями.
   • Этика научных публикаций. Использование LLM в подготовке научных статей порождает вопросы об авторстве и вкладе. Необходима выработка [[9], [10], [11]]:
   • стандартов, определяющих допустимые границы использования LLM в различных этапах подготовки публикации;
   • требований к декларированию использования ИИ-инструментов;
   • механизмов ответственности авторов за содержание текстов, сгенерированных LLM.
2. Интеллектуальная собственность и конфиденциальность. Использование LLM при работе с чувствительными данными (коммерческая тайна, результаты незапатентованных разработок) требует:
   • возможности локального развертывания моделей без передачи данных внешним сервисам;
   • контроля доступа к моделям и данным с разграничением прав;
   • правовой определенности в отношении статуса результатов, сгенерированных LLM.
   • Интеграция в существующие исследовательские процессы. Для полноценной реализации потенциала LLM необходимо:
   • обеспечить совместимость с существующими системами управления исследованиями и лабораторными информационными системами;
   • разработать программы повышения квалификации для исследователей по эффективному использованию LLM;
   • создать методические материалы по применению LLM в различных научных дисциплинах.

Заключение

Стратегическая цель «Создание базиса для увеличения объемов исследований и разработок по приоритетным направлениям научно-технологического развития» Программы развития МГТУ им. Н.Э. Баумана требует кардинальной трансформации организации научно-исследовательской деятельности. Достижение целевых показателей (рост объема НИОКР до 30 млрд рублей, увеличение доли НПР, вовлеченных в исследования, до 75%, пятикратный рост публикационной активности) невозможно в рамках традиционных подходов.

Большие языковые модели предоставляют технологическую основу для создания интеллектуальной исследовательской среды, способной обеспечить ускорение генерации гипотез, оптимизацию экспериментальных процессов, автоматизацию научной коммуникации и поддержку трансфера технологий. Предложенная в статье концептуальная трехуровневая архитектура позволяет интегрировать LLM-сервисы в полный цикл исследовательской деятельности, обеспечивая реализацию принципов междисциплинарности, развития научных школ и независимости научной экспертизы.

Дальнейшие исследования должны быть направлены на разработку конкретных LLM-сервисов для различных типов научной деятельности, создание методов верификации результатов LLM в научном контексте, формирование этических стандартов использования ИИ в науке, а также на интеграцию платформы с национальной системой научных данных и инфраструктурой отечественных вычислительных центров. Успешная реализация данного подхода позволит университету не только достичь целевых показателей программы развития, но и занять лидирующие позиции в области использования искусственного интеллекта для ускорения научных открытий и технологических инноваций.

Литература

---

[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: 01.03.2026). – Текст: электронный.

[2] . 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

[3] . 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

[4] . Литвинова Е.Е., Витер Д.А., Чесалов А.Ю. Цифровая платформа «Путь Инженера» как системообразующий элемент стратегии развития МГТУ им. Н.Э. Баумана: аспект применения больших языковых моделей // Достижения в образовательной деятельности – 2026: сборник статей Международного научно-исследовательского конкурса (16 марта 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С.53-62. DOI 10.46916/18032026-1-978-5-00276-032-9

[5] . Литвинова Е.Е., Беляев П.В., Чесалов А.Ю. Большие языковые модели как инструмент реализации инициативы «Центр продвижения российского программного обеспечения» МГТУ им. Н.Э. Баумана // «Актуальные проблемы науки и образования в условиях современных вызовов», (2026, Москва) / Сборник материалов XLX Международной научно-практической конференции – ООО «Издательство Академическая среда», 2026 – С. 145 -153. DOI: 10.62994/6048.2026.11.53.012

[6] . 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

[7] . 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 2025 г., 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

[8] . Чесалов А.Ю. Применение искусственного интеллекта для реализации алгоритмов потенциала негативности рассогласования в промышленных автоматизированных системах прогнозируемого обслуживания // Открытое образование. 2025; 29(3): 11-21. https://doi.org/10.21686/1818-4243-2025-3-11-21

[9] . Чесалов А.Ю. Этика и искусственный интеллект // Современные информационные системы – 2022. – № 1 (19). – С. 52 – 59.

[10] . Чесалов А.Ю. Актуальные вопросы этики применения искусственного интеллекта в промышленности // «Научный поиск: фундаментальные и прикладные аспекты»: сборник статей III Международной научно-практической конференции (29 января 2026 г., г. Петрозаводск). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 11-17. DOI: 10.46916/02022026-6-978-5-00215-995-6

[11] . Чесалов А.Ю. Этические аспекты использования искусственного интеллекта в промышленности // Автоматизация в промышленности. – 2025. – №10. – С. 33 – 39.