Атлас/О проекте
О проекте
Vinum ex Machina — Атлас искусственного интеллекта в вине. Это двуязычный исследовательский проект, посвящённый изучению настоящего и будущего применения ИИ в виноградарстве, виноделии и винном бизнесе. На данной странице представлена структура Атласа и выжимка результатов.
Что есть на сайте
Кейсбук
Реестр верифицированных кейсов применения ИИ в виноградарстве, виноделии и винном бизнесе по всему миру. Каждый кейс проверен по первоисточнику и оценён с точки зрения достоверности.
OenoBench
Бенчмарк винных знаний для больших языковых моделей: вопросы с выбором ответа в шести доменах и на четырёх уровнях сложности, 16 оценённых конфигураций моделей — с учётом и качества, и стоимости. Оценки отделяют то, что модель о вине помнит, от того, что она умеет вывести.
Ключевой текст
Эссе автора о сегодняшних результатах применения ИИ в винной сфере и размышления о будущем потенциале этой технологии. Рассуждения основаны на работе по сбору реестра кейсов и формированию винного бенчмарка.
Исследования
Здесь будут публиковаться статьи и исследования о применении ИИ в винной сфере. Приветствуются предложения о сотрудничестве и совместной научной работе.
Краткое резюме проекта
Через всё, что атлас измерил, проходит одно правило, и разбирает его ключевой текст: ИИ в вине приживается там, где ответ приходит быстро. Полив, защиту от болезней и поведение покупателя машина считает уже надёжнее календаря и интуиции; там, где обратная связь приходит раз в год, урожаем, она пока догоняет. Экономику внедрения определяет не сложность модели, а скорость, с которой можно узнать, что она ошиблась.
Видно это в Кейсбуке. В реестре 299 кейсов, каждый заново открыт по первоисточнику и получил оценку достоверности, и отрасль расслаивается ровно по той же линии: в виноделии и лаборатории 40% кейсов остаются исследованиями, в винном бизнесе таких только 15%, зато 71% бизнес-кейсов дошли до эксплуатации. Так же перекошен и сам корпус — 177 записей о винограднике против 75 о винном бизнесе и 47 о погребе и лаборатории, — потому что виноградник отдаёт наблюдения ежечасно, спутником и метеостанцией, а погреб отвечает раз в год, урожаем. Реестр дотягивается до 1989 года, но 146 кейсов стартовали в 2023-м или позже: тема старше веба, а половина корпуса моложе ChatGPT. До коммерческой эксплуатации или масштаба дошли 147 из 299, то есть 49%, — и у 40 из них за записью стоит один маркетинг вендора: коммерческая эксплуатация со слов самой компании.
OenoBench спрашивает о другой половине того же: не что отрасль сделала с ИИ, а что ИИ знает об отрасли. Он задаёт 3 266 вопросов с выбором ответа 16 конфигурациям больших языковых моделей — в шести доменах, на четырёх уровнях сложности, с посчитанной ценой каждого ответа. Впереди o3 с 83,6%, причём лидер есть, а пьедестала нет: шесть верхних конфигураций укладываются в 2,6 процентного пункта. Зато прогон хорошо разделяет два типа вопросов: там, где нужно рассуждать по контексту, а не вспоминать, проседают все конфигурации до единой — минимум на 26,6 процентного пункта (GPT-5), максимум на 39,6 (DeepSeek-V3), — и доверительный интервал исключает ноль у 16 из 16. Та же ли это граница, что и в реестре, — в подвале почти все вопросы именно контекстные, — ни один из двух датасетов сам по себе не решает; это один из вопросов, которые ставит раздел «Исследования».
Дальше — то, чего нет пока ни в одном из двух датасетов. К 2028 году почти неизбежным выглядит рискоориентированное опрыскивание везде, где есть подписка на данные, и языковые модели в бэк-офисе: описания вин, ответы клиентам, переводы, отчётность. Ни одно из этих применений не будет выглядеть как «ИИ в вине» — оно будет выглядеть как исчезновение рутинной работы. К 2032-му вероятны отраслевой стандарт измерения эффекта, консолидация сервисов данных вокруг трёх-пяти платформ и первые модели, переносимые между терруарами. Не двигается при этом сама граница: машина считает измеримое — литры воды, граммы меди, вероятность оттока клиента, пятно на листе, — а то, ради чего вино пьют, правильного ответа не имеет и остаётся человеку.