Sekėjai

Ieškoti šiame dienoraštyje

2026 m. sausio 9 d., penktadienis

The factory of the future: Do Chinese have important dark factories?

 


 

Yes, China has important and rapidly developing "dark factories" (fully automated manufacturing plants) that are a critical part of its national industrial strategy. These facilities are highly significant due to the substantial operational benefits they offer and their alignment with China's goal of becoming a global leader in high-tech manufacturing.

 

The Importance and Impact of China's Dark Factories

 

China's dark factories are not just experimental; they are operational realities in key industries such as electronics and electric vehicles (EVs), driven by rising labor costs and the government's "Made in China 2025" initiative.

 

Their importance stems from several key factors:

 

    Continuous Production: Operating 24/7 without the need for human breaks, shift changes, or holidays, these factories ensure continuous, high-volume output.

    Enhanced Efficiency and Precision: By using AI-driven robotics and advanced sensor networks, they achieve consistent quality and precision that surpasses human capabilities, significantly reducing defect rates and material waste.

    Cost Reduction: Companies save on labor costs, as well as energy expenses by eliminating the need for lighting, heating, and air conditioning in human workspaces.

    Operational Resilience: Automated facilities are less vulnerable to disruptions caused by labor shortages, pandemics, or strikes, providing greater stability in the global supply chain.

    Technological Leadership: China is the global leader in industrial robot deployment, installing over half of the world's total in 2022. This push helps secure technological independence and positions China as a leader in Industry 4.0.

 

Key Examples

Several major Chinese companies have made significant strides in adopting this model:

 

    Xiaomi: Its $330 million smart factory in Beijing operates with zero human involvement on the production floor, capable of producing one smartphone every three seconds.

    Foxconn: The electronics manufacturing giant has replaced over 60,000 workers with robots in one of its plants and aims to automate a significant portion of its operations.

    BYD and Zeekr: These EV manufacturers heavily utilize robotic systems for battery and vehicle assembly, with some plants producing a car every 30 to 100 seconds.

 

While they offer immense economic and operational advantages, the rise of dark factories also raises concerns about potential mass job displacement and the need for significant workforce retraining to manage these advanced systems.

 

The West has already lost the race to China for cheap and clean energy production. The Western dark factories are still in the future and always will be, since they are not able to compete with China’s that are financed by all the humanity that buys their cheap products, except the U.S.A. hiding behind tariffs:

 

 

““Do you know what really impresses me? I saw a robot pick up an egg!’’ exclaimed Roger Smith, chairman of General Motors, in 1985. The American carmaker, which two decades earlier had been the first company to install a robotic arm, was then in the process of creating a “factory of the future” in Saginaw, Michigan. Smith envisaged a “lights-out” operation—no humans, only machines—that could help his company keep up with Japanese rivals. The result was shambolic. Witless robots couldn’t tell car models apart, and were unable to put bumpers on or paint properly. Costs ran wildly over budget. GM eventually shut down the factory.

 

Automation has come a long way since then. Yet Smith’s vision remains far ahead of reality at most factories. According to the International Federation of Robotics (IFR), an industry association, there were around 4.7m industrial robots operational worldwide as of 2024—just 177 for every 10,000 manufacturing workers. Having risen through the 2010s, annual installations surged amid the pandemic-era automation frenzy, but flattened off afterwards, with 542,000 installed in 2024.

 

That has been mirrored in the wider market for factory-automation equipment, including sensors, actuators and controllers, which has faced tepid demand over the past few years amid a slowdown in manufacturing, particularly in Europe. Despite a stellar performance during the pandemic, shares in the industry’s big suppliers have lagged behind those of other rich-world companies since the beginning of 2024 (see chart 1).

 

Yet analysts see 2026 as an inflection point. The IFR reckons that annual robot installations will increase to 619,000 this year (see chart 2). Roland Berger, a consultancy, forecasts that inflation-adjusted growth in sales of industrial-automation equipment as a whole will rise from a meagre 1-2% in 2025 to 3-4% in 2026, then notch up 6-7% for the remainder of the decade.

 

Partly that reflects tailwinds brought by the reduction of interest rates in the West over the past 18 months. But it is also a product of deeper structural forces. Western policymakers have turned to subsidies and tariffs to encourage manufacturing back to their shores; factory construction soared during Joe Biden’s time in office. With populations ageing, many manufacturers are struggling to find enough skilled operators to man their assembly lines, leading to rising demand for machines.

 

What is more, advances in industrial software are helping overcome many of the challenges that have previously hindered efforts to automate production. Silicon Valley is abuzz with discussion of how the latest wave of generative artificial intelligence can be used not just to power whizzy chatbots, but also to transform manufacturing. “The ChatGPT moment for robotics is here,” declared Jensen Huang, boss of Nvidia, a chipmaker and darling of the AI boom, on January 5th. In time, the result may be factories that are not only more mechanised, but nimbler and smaller.

 

Hints of the future can already be glimpsed at the Bavarian factories of Siemens, itself a maker of automation equipment, in Amberg and Erlangen. The Amberg factory, which makes 1,500 variants of machine controllers, today produces around 20 times what it did when it opened in 1989, but with approximately the same number of workers. Robotic arms, many of them made by Universal Robots, whose parent company is Teradyne, an American business, do much more than pick up eggs. In glass enclosures they move swiftly about, welding, cutting, assembling and inspecting. Workers monitor and control production from computers attached to the machines.

 

The factory in Erlangen (pictured), which produces electronic components, is equally futuristic. Autonomous trolleys with screens attached zoom around the shop floor transporting goods between stations at which humans work side-by-side with robots. Others have lined themselves up neatly to charge.

 

Factory hardware has come a long way in the past few decades. Robotic arms that once moved along three axes—up and down, left to right, front to back—typically now move along six. Sensors and cameras guide their motion. A single robot is often able to perform several manufacturing steps.

 

They have also plunged in price as production has scaled up and Chinese suppliers have entered the business.

 

Soft power

 

Even bigger advances are taking place in the software that makes machines and factories hum. Robots were once rigidly designed for one activity. That required manufacturers to be “stuck in a moment of time” in order to capture the benefits of automation, notes Ben Armstrong of the MIT Industrial Performance Centre. Now the machines can be reprogrammed for another job with a tweak to their code. For example, robots that were previously used by Foxconn, a Taiwanese manufacturer, to put the circular “home” button on earlier generations of iPhones were repurposed to install microchips. Such flexibility has further improved the lifetime return on investment in robots.

 

Software is changing manufacturing in other ways, too. Computerised simulations known as “digital twins” are making it quicker and cheaper to test product designs and manufacturing processes; two-dimensional, paper-based blueprints have been replaced by precise, three-dimensional reproductions. Suppliers of automation gear have piled in. Last year Siemens bought Altair, an industrial-software firm, for $10bn, its largest acquisition ever. Software, which typically generates a higher margin than hardware, now accounts for a third of sales in the conglomerate’s industrial-automation division.

 

Generative AI promises to take this transformation a step further. Until recently, precisely modelling the actions of a robot was often impossible owing to the many variables involved, a problem known as the “sim-to-real gap”. Simulations tended to break the moment lighting or the shape of an object changed. Supersized AI models, trained on vast amounts of data from sensors and cameras, may help solve that. As simulations become more accurate and detailed, it may be possible to program robots to approach a physical task much as a human would, perceiving, understanding and then reacting to the situation.

 

The prospect of harnessing “physical AI” to revolutionise manufacturing has generated much excitement. During the Consumer Electronics Show in Las Vegas this week, Nvidia unveiled a suite of chips and freely available AI models designed specifically for robots. In October SoftBank, a Japanese conglomerate with big AI ambitions, announced it would acquire the robotics division of ABB, a Swiss industrial giant. Startups from Silicon Valley to Shanghai are building humanoid robots that they hope will one day replace factory workers. So is Elon Musk.

 

The automation industry’s incumbents are also investing heavily in physical AI. Peter Koerte, Siemens’s chief technologist, reckons that AI will become the “brains” of factories much as machines have become their “muscles” (albeit with human oversight). In September his firm announced a deal with German machine-makers to pool anonymised data from their hardware and build AI models for industrial use. On January 6th it said that it would expand its partnership with Nvidia and develop, among other things, an AI-powered tool for building digital twins. Last year Hitachi, a Japanese industrial giant that is also working with Nvidia, unveiled a new AI-powered software platform that ingests and analyses data from the many sensors and cameras across a factory and can alter operations in response.

 

Some now talk of factories becoming not just automated, but autonomous. “Imagine a factory where machines anticipate needs before they arise, where material moves seamlessly without human intervention and production lines adjust in real time to changes in demand or disruptions,” gushed Tessa Myers of Rockwell Automation, an American machine-maker, in November. The company is piloting the idea at a small facility in Singapore.

 

Factory reset

 

The result of all this may be a very different type of factory. With each robot able to perform a wide array of tasks, shop floors may no longer need to be designed around lengthy assembly lines. Combine that with falling hardware costs and many firms may soon find it viable to spread their manufacturing across a network of smaller plants.

 

For years the trend has been towards ever larger sites, fashionably called “gigafactories”, as manufacturers have sought economies of scale. But smaller factories would have plenty of advantages. They could be built closer to urban centres, making it easier to bring in the workers who, at least for the time being, will remain both essential and difficult to find. Proximity to customers would also be useful, particularly given the persistence of tariffs. And a more dispersed manufacturing footprint would reduce the risk that a failure at a single factory becomes a crisis. The factory of the future will look very different from what Smith imagined—and may be even more transformational.” [1]

 

Ateities gamykla

 

„Ar žinote, kas mane iš tikrųjų žavi? Mačiau, kaip robotas pakėlė kiaušinį!“ – 1985 m. sušuko Rogeris Smithas, „General Motors“ pirmininkas. Amerikiečių automobilių gamintojas, kuris prieš du dešimtmečius buvo pirmasis, įdiegęs robotinę ranką, tuo metu kūrė „ateities gamyklą“ Saginave, Mičigane. Smithas numatė „šviesų užgesinimo“ operaciją – jokių žmonių, tik mašinos – kuri padėtų jo įmonei neatsilikti nuo Japonijos konkurentų. Rezultatas buvo chaosas. Neišmanėliai robotai negalėjo atskirti automobilių modelių ir negalėjo uždėti bamperių ar tinkamai dažyti. Išlaidos smarkiai viršijo biudžetą. Galiausiai „GM“ uždarė gamyklą.

 

Nuo to laiko automatizavimas nuėjo ilgą kelią. Tačiau Smitho vizija daugumoje gamyklų gerokai lenkia realybę. Pasak Tarptautinės robotikos federacijos (IFR), pramonės asociacijos, 2024 m. visame pasaulyje veikė apie 4,7 mln. pramoninių robotų – tik 177 10 000 gamybos darbuotojų. Nors 2010-aisiais robotų instaliacijų skaičius augo, per pandemijos laikų automatizavimo audrą jis smarkiai išaugo, tačiau vėliau sulėtėjo ir 2024 m. buvo įrengta 542 000 robotų.

 

Tai atsispindėjo ir platesnėje gamyklų automatizavimo įrangos, įskaitant jutiklius, pavaras ir valdiklius, rinkoje, kurioje pastaraisiais metais dėl gamybos sulėtėjimo, ypač Europoje, paklausa buvo nedidelė. Nepaisant puikių rezultatų pandemijos metu, didelių pramonės tiekėjų akcijos nuo 2024 m. pradžios atsilieka nuo kitų turtingo pasaulio bendrovių akcijų (žr. 1 grafiką).

 

Vis dėlto analitikai 2026 m. laiko lūžio tašku. IFR skaičiuoja, kad šiais metais robotų instaliacijų skaičius per metus padidės iki 619 000 (žr. 2 grafiką). Konsultacinė įmonė „Roland Berger“ prognozuoja, kad pramoninės automatizavimo įrangos pardavimų augimas, pakoreguotas atsižvelgiant į infliaciją, išaugs nuo vos 1–2 % 2025 m. iki 3–4 % 2026 m., o vėliau per likusį dešimtmetį padidės 6–7 %.

 

Iš dalies tai atspindi palankią padėtį, kurią sukėlė per pastaruosius 18 mėnesių Vakaruose sumažintos palūkanų normos. Tačiau tai taip pat yra gilesnių struktūrinių jėgų rezultatas. Vakarų politikos formuotojai ėmėsi subsidijų ir tarifų, kad paskatintų gamybą grįžti į savo šalis; gamyklų statyba smarkiai išaugo Joe Bideno prezidentavimo laikotarpiu. Senstant visuomenei, daugelis gamintojų stengiasi rasti pakankamai kvalifikuotų operatorių, kurie valdytų jų surinkimo linijas, todėl auga mašinų paklausa.

 

Be to, pramoninės programinės įrangos pažanga padeda įveikti daugelį iššūkių, kurie anksčiau trukdė automatizuoti gamybą. Silicio slėnyje verda diskusijos apie tai, kaip naujausia generatyvinio dirbtinio intelekto banga gali būti panaudota ne tik išmaniesiems pokalbių robotams maitinti, bet ir gamybos transformacijai. „Atėjo robotikos „ChatGPT“ metas“, – sausio 5 d. pareiškė Jensenas Huangas, lustų gamintojos ir dirbtinio intelekto bumo numylėtinės „Nvidia“ vadovas. Ilgainiui gamyklos gali būti ne tik labiau mechanizuotos, bet ir vikresnės bei mažesnės.

 

Ateities užuominų jau galima įžvelgti Bavarijos gamyklose „Siemens“, kuri pati gamina automatizavimo įrangą, Amberge ir Erlangene. Ambergo gamykla, gaminanti 1500 mašinų valdiklių variantų, šiandien pagamina apie 20 kartų daugiau nei atidaryta 1989 m., tačiau joje dirba maždaug tiek pat darbuotojų. Robotinės rankos, kurių daugelį gamina „Universal Robots“, kurios patronuojanti bendrovė yra Amerikos įmonė „Teradyne“, atlieka daug daugiau funkcijų nei tik kiaušinių rinkimas. Stiklinėse patalpose jos greitai juda, virina, pjauna, surenka ir tikrina. Darbuotojai stebi ir kontroliuoja gamybą prie mašinų prijungtais kompiuteriais.

 

Erlangeno gamykla (nuotraukoje), gaminanti elektroninius komponentus, yra tokia pat futuristinė. Autonominiai vežimėliai su pritvirtintais ekranais zuja po gamybos salę, gabendami prekes tarp stočių, kuriose žmonės dirba greta robotų. Kiti tvarkingai išsirikiuoja, kad galėtų įkrauti.

 

Per pastaruosius kelis dešimtmečius gamyklų įranga smarkiai patobulėjo. Robotinės rankos, kurios anksčiau judėjo trimis ašimis – aukštyn ir žemyn, iš kairės į dešinę, iš priekio į galą – dabar paprastai juda šešiomis. Jų judėjimą valdo jutikliai ir kameros. Vienas robotas dažnai gali atlikti kelis gamybos etapus.

 

Jų kainos taip pat smarkiai krito, nes gamyba išaugo ir į šį verslą įžengė Kinijos tiekėjai.

 

Švelnioji galia

 

Dar didesnė pažanga vyksta programinės įrangos, kuri priverčia mašinas ir gamyklas veikti, srityje. Robotai kadaise buvo griežtai sukurti vienai veiklai. Tai reiškė, kad gamintojai turėjo „įstrigti laike“, kad galėtų pasinaudoti automatizavimo teikiama nauda, ​​pažymi Benas Armstrongas iš MIT pramonės efektyvumo centro. Dabar mašinas galima perprogramuoti kitam darbui, pakoregavus jų kodą. Pavyzdžiui, robotai, kuriuos anksčiau naudojo Taivano gamintojas „Foxconn“, kad ankstesnių kartų „iPhone“ telefonuose būtų įdėtas apskritas „namų“ mygtukas, buvo pritaikyti mikroschemoms įdiegti. Toks lankstumas dar labiau pagerino investicijų į robotus grąža per visą jų gyvavimo ciklą.

 

Programinė įranga keičia gamybą ir kitais būdais. Kompiuterinės simuliacijos, vadinamos „skaitmeniniais dvyniais“, leidžia greičiau ir pigiau išbandyti gaminių dizainus ir gamybos procesus; dvimačius, popierinius brėžinius pakeitė tikslios, trimatės reprodukcijos. Į šią veiklą įsitraukė automatizavimo įrangos tiekėjai. Praėjusiais metais „Siemens“ už 10 mlrd. dolerių įsigijo pramoninės programinės įrangos įmonę „Altair“ – tai didžiausias jos įsigijimas. Programinė įranga, kuri paprastai generuoja didesnę pelno maržą nei aparatinė įranga, dabar sudaro trečdalį konglomerato pramoninės automatizavimo padalinio pardavimų.

 

Generatyvus dirbtinis intelektas žada dar labiau sustiprinti šią transformaciją. Iki šiol tiksliai modeliuoti roboto veiksmus dažnai buvo neįmanoma dėl daugybės susijusių kintamųjų – ši problema vadinama „simuliacijos ir realybės atotrūkiu“. Simuliacijose buvo linkusios būti nutraukiamos akimirkos, kai pasikeičia apšvietimas ar objekto forma. Tai gali padėti išspręsti itin dideli dirbtinio intelekto modeliai, apmokyti naudojant didžiulius duomenų kiekius iš jutiklių ir kamerų. Kadangi modeliavimas tampa tikslesnis ir detalesnis, gali būti įmanoma užprogramuoti robotus atlikti fizinę užduotį panašiai kaip žmogus – suvokti, suprasti ir reaguoti į situaciją.

 

Daug susidomėjimo sukėlė „fizinio dirbtinio intelekto“ panaudojimo gamybos revoliucijai perspektyva. Šią savaitę Las Vegase vykusioje plataus vartojimo elektronikos parodoje „Nvidia“ pristatė specialiai robotams sukurtų lustų rinkinį ir laisvai prieinamus dirbtinio intelekto modelius. Spalio mėnesį Japonijos konglomeratas „SoftBank“, turintis didelių ambicijų dirbtinio intelekto srityje, paskelbė, kad įsigis Šveicarijos pramonės milžinės ABB robotikos padalinį. Startuoliai nuo Silicio slėnio iki Šanchajaus kuria humanoidus robotus, kurie, jų manymu, vieną dieną pakeis gamyklų darbuotojus. Taip pat daro ir Elonas Muskas.

 

Automatizavimo pramonės atstovai taip pat daug investuoja į fizinį dirbtinį intelektą. „Siemens“ vyriausiasis technologas Peteris Koerte mano, kad dirbtinis intelektas taps gamyklų „smegenimis“ panašiai kaip mašinos tapo jų „raumenimis“ (nors ir prižiūrint žmogui). Rugsėjį jo įmonė paskelbė apie susitarimą su Vokietijos mašinų gamintojais dėl nuasmenintų duomenų iš jų aparatinės įrangos kaupimo ir dirbtinio intelekto modelių kūrimo pramoniniam naudojimui. Sausio 6 d. ji pareiškė, kad išplės partnerystę su „Nvidia“ ir, be kita ko, sukurs dirbtiniu intelektu pagrįstą įrankį skaitmeniniams dvyniams kurti. Praėjusiais metais Japonijos pramonės milžinė „Hitachi“, taip pat bendradarbiaujanti su „Nvidia“, pristatė naują dirbtiniu intelektu pagrįstą programinės įrangos platformą, kuri renka ir analizuoja duomenis iš daugybės gamykloje esančių jutiklių ir kamerų ir gali keisti veiklą pagal juos.

 

Dabar kai kurie kalba apie tai, kad gamyklos tampa ne tik automatizuotos, bet ir autonomiškos. „Įsivaizduokite gamyklą, kurioje mašinos numato poreikius dar prieš jiems atsirandant, kur medžiagos juda sklandžiai be žmogaus įsikišimo, o gamybos linijos realiuoju laiku prisitaiko prie paklausos pokyčių ar sutrikimų“, – lapkritį entuziastingai sakė Tessa Myers iš amerikiečių mašinų gamintojos „Rockwell Automation“. Bendrovė bando šią idėją nedideliame gamykloje Singapūre.

 

Gamyklinių parametrų atkūrimas

 

Viso to rezultatas gali būti labai skirtingo tipo gamykla. Kiekvienam robotui galint atlikti platų užduočių spektrą, gamybos cechų nebereikės projektuoti aplink ilgas surinkimo linijas. Sujungus tai su mažėjančiomis techninės įrangos kainomis, daugelis įmonių netrukus gali pastebėti, kad yra perspektyvu paskirstyti savo gamybą mažesnių gamyklų tinkle.

 

Jau daugelį metų vyrauja tendencija statyti vis didesnius objektus, madingai vadinamus „gigafabrikais“, nes gamintojai siekia masto ekonomijos. Tačiau mažesnės gamyklos turėtų daug privalumų. Jas būtų galima statyti arčiau miestų centrų, todėl būtų lengviau pritraukti darbuotojų, kurie, bent jau kol kas, išliks būtini ir sunkiai randami. Artumas prie klientų taip pat būtų naudingas, ypač atsižvelgiant į nuolatinius tarifus. O labiau išsklaidytas gamybos pėdsakas sumažintų riziką, kad vienos gamyklos gedimas taps krize. Ateities gamykla atrodys labai kitaip, nei įsivaizdavo Smithas – ir gali būti dar labiau transformuojanti.“ [1]

 

1. The factory of the future. The Economist; London Vol. 458, Iss. 9481,  (Jan 10, 2026): 51, 52.

Mūsų pačių Palantiras?


„Duomenų analizė yra ateities sritis. Tačiau nors Amerikos technologijų įmonės jau nustato standartus, Vokietija atsilieka – iš dalies dėl to, kad studentams trūksta galimybių. Ką gali padaryti universitetai.

 

Duomenys, duomenys, duomenys. Jie formuoja mūsų gyvenimą, pakeičia patirtį ir, pavyzdžiui, padeda rasti naujų būdų, kaip išvengti statybviečių ar kamščių. „Svarbiausia, kad jie atskleidžia ryšius, kurie nėra iš karto akivaizdūs, ir tai mane taip žavi“, – sako Hannah Feltz. 23 metų studentė studijuoja duomenų mokslą Hamburgo technologijos universitete (TUHH). Dar prieš pradėdama studijas, ji susidūrė su terminu „duomenų gavyba“ Chaoso kompiuterių klube – duomenų rinkinių analizė ir įžvalgų išgavimas naudojant algoritmus. „Nepakankamai įvertinta sritis – ir vienas iš mano mėgstamiausių dalykų studijose“, – sako Feltz.

 

Penktajame semestre studentė išklausė privalomą duomenų gavybos paskaitą, o lydinčiame seminare gavo Hamburgo orientyrų duomenų rinkinį. Valymas, klasterizavimas, kodavimas – studentai turėjo parodyti, ko iki šiol išmoko studijose, ir profesionaliai išanalizuoti duomenis. „Hipotezė buvo, kad Hamburgą sudaro keli maži susilieję miesto centrai“, – sako Feltz, rodydama miesto kontūrą, nusėtą daugybe spalvingų taškų. „Ten daug ko nematyti, nes viskas yra vienas ant kito“, – savo grafiką komentuoja studentė ir kitame žingsnyje peržiūrai pasirenka tik seniausią aštuntadalį orientyrų. Klasteris apima laikotarpį nuo 1263 iki 1800 metų – toks ilgas laiko tarpas, nes yra mažiau duomenų. Kai kuriuos erdvinius klasterius iš principo galima atpažinti, tačiau yra daug išskirtinių rezultatų, ir rezultatas nėra galutinis.

 

Būtent šis atvirumas netikėtiems rezultatams apibūdina mokslinius tyrimus. „Mes iš tikrųjų nieko neradome“, – sako Feltz. Nepaisant to, grupinis darbas buvo smagus: „Užduotys buvo atviros, galėjote iš tikrųjų leisti savo kūrybiškumui lietis, ir manau, kad tai buvo šaunu.“ Klasterizacijos algoritmų programavimas studentams užtruko apie septynias valandas, todėl jie buvo šiek tiek išsekę, kol pasiekė grafinį pristatymą. Nors įtraukianti vizualizacija yra būtina duomenų gavybai, Feltz pabrėžia: „Geras grafikas daug pasako, nesvarbu, ar tai juostinė diagrama, ar linijinė diagrama.“ Studentė būtų norėjusi tai pademonstruoti savo bakalauro darbe, tačiau neturėjo tinkamos duomenų gavybos temos – kaip ir profesorius, su kuriuo ji konsultavosi.

 

Vis dėlto duomenų gavyba yra sritis su perspektyvia ateitimi. Įmonės išleidžia daug pinigų klasifikuodamos sparčiai augančius duomenų rinkinius arba nustatydamos modelius, išskirtis ir tendencijas.

 

Ir ne tik įmonės: ministerijos neseniai pateko į antraštes dėl policijos programinės įrangos įsigijimo iš JAV bendrovės „Palantir“.

 

Duomenų apsaugos gynėjų požiūriu, tai buvo klaida, nes neaišku, kaip tiksliai duomenys yra susieti ir kaip kuriami profiliai, be to, kyla susirūpinimas dėl ryšių su Amerikos saugumo agentūromis.

 

„Mes būtinai turime patys sukurti tokią patirtį ir programinę įrangą, kad išvengtume priklausomybės ir išliktume konkurencingi“, – reikalauja duomenų mokslo profesorė Marina Tropmann-Frick. Ji yra duomenų gavybos ekspertė Vokietijos informatikos draugijoje. Hamburgo taikomųjų mokslų universitete (HAW Hamburg) ji atlieka tyrimus Vokietijos vyriausybei tema „Atsakingas dirbtinis intelektas“.

 

Tropmann-Frick Europos dirbtinio intelekto reguliavimo „DI įstatymą“ vertina, kaip teigiamą plėtrai. „Visas pasaulis mus stebi, stebėdamasis, kad mes apskritai išdrįsome tai padaryti“, – sako profesorė. Europiečiai moka spręsti problemas struktūrizuotai, o tai galiausiai lemia patikimesnę programinę įrangą. Ir Vokietijos universitetai galėtų prie to prisidėti: „Vokietijai netrūksta patirties, bet ją reikia geriau remti“, – sako duomenų mokslininkė.

 

 

Vyriausybės sutartys ir rizikos kapitalistai, kurie lėmė „Palantir“ sėkmę, yra viena.

 

 

Kita vertus, daugiau profesorių pareigybių, daugiau finansavimo programų ir daugiau bendradarbiavimo su vidutinio dydžio programinės įrangos įmonėmis yra pagrindas, leidžiantis kurti tokius sudėtingus analitinius įrankius.

 

 

Apskritai Tropmann-Frick ragina universitetuose rengti daugiau duomenų gavybos kursų: „Galbūt nesiūlome pakankamai, be to, turime išteklių problemą“, – sako ji.

 

 

Profesorė neatmeta specialios studijų programos galimybės. Ji tam prieštarauja, sakydama, kad tai nebūtų prasminga: „Nuo duomenų valdymo ir duomenų rengimo iki duomenų gavybos vyksta sklandūs perėjimai; viskas priklauso kartu.“

 

Nesvarbu, ar studijų programa vadinasi duomenų mokslas, duomenų gavyba, ar mašininis mokymasis, ji visada apima plačias tyrimų sritis, įskaitant statistiką, duomenų bazes ir dirbtinį intelektą. „Galiausiai visos šios sritys yra susijusios su duomenų modelių, ryšių ir nuspėjamųjų modelių nustatymu“, – sako Berndas Bischlas, kuris daugiausia dėsto mašininį mokymąsi „Statistikos duomenų moksle“ srityje  Liudviko Maksimiliano universitete Miunchene. Bischl iš pradžių studijavo informatiką. Vėliau Edinburge studijavo dirbtinį intelektą ir mašininį mokymąsi – ir turėjo sėkmingai baigti mašininio mokymosi studijų programą, nepaisydamas savo patikimo profesoriaus Vokietijos akademinių stipendijų fonde patarimo. „Mano atveju mane atkalbėjo fizikas, nes tai nebuvo laikoma tikru mokslu“, – pasakoja Bischl.

 

Tai buvo 2001 m., kai interneto startuoliai jau buvo aiškiai įrodę, kad duomenų mokslas turi tvirtus matematinius pagrindus ir gali būti ekonomiškai sėkmingas. „Mes praleidome progą“, – sako Bischl.

 

Šiandien norint pasivyti lyderius anapus Atlanto, reikia didžiulių duomenų kiekių, brangios skaičiavimo galios ir glaudaus bendradarbiavimo su technologijų įmone dėl reikalingos infrastruktūros.

 

„Turime keletą trūkumų vienu metu“, – sako statistikas ir tuoj pat pasitaiso. Jis nenori skambėti taip negatyviai: „Vokietija per pastaruosius 15 metų tikrai daug nuveikė.“ „Ypač šeši dirbtinio intelekto kompetencijos centrai yra didelis žingsnis teisinga kryptimi.“ Vienas iš jų yra „Miuncheno mašininio mokymosi centras“ arba trumpai MCML Miunchene – o Bischl yra vienas iš keturių jo direktorių.

 

„20 milijonų eurų per metus – nemaža suma, kad Miunchene suburtume geriausius mašininio mokymosi ir dirbtinio intelekto specialistus“, – giria profesorius.

 

Gebėjimas išgauti empirines žinias iš duomenų ir panaudoti jas priimant racionalius sprendimus tapo pagrindiniu įgūdžiu, ypač po COVID-19 pandemijos. Norint pasiekti platesnį poveikį, šią temą reikia pristatyti mokyklose. Norint daugiau tyrinėti ir kurti patentuotą programinę įrangą, reikia jaunų talentų, kurie norėtų penkerius metus skirti intensyvioms duomenų mokslo studijoms, o ne tik tęstiniam mokymuisi. Bendradarbiavimas visoje Europoje universitetų plečia studijų programų spektrą ir skatina tarptautinius ryšius.

 

Profesorė Tropmann-Frick rekomenduoja dvigubo laipsnio programas, kai studentai įgyja laipsnius dviejuose universitetuose. „Tai galima finansuoti per „Erasmus“ stipendiją.“

 

Vėliau laukia daug galimybių; duomenų mokslininkai yra labai paklausūs, o taikymo galimybės – didžiulės. Tropmann-Frick pasinėrė į dalelių fiziką ir tyrinėja „ChatGPT“ dalelių fizikams. Hannah Feltz tai yra federacinis mokymasis – mašininio mokymosi technika, kai modelis decentralizuotai apmokomas keliuose įrenginiuose – ir dabar yra jos bakalauro darbo tema. „Tai nesusiję su duomenų gavyba, bet taip pat įdomu“, – sako studentė. Vėliau ji planuoja siekti duomenų mokslo magistro laipsnio TUHH (Hamburgo technologijos universitete), bet kas bus toliau, dar neaišku. „Šiuo metu studijuoju ir man tai labai patinka“, – pabrėžia ji. Policijos IT tikriausiai nėra perspektyvios, nes jos tai netraukia, bet europietiška „Palantir“ versija yra galimybė. Studentė tuo įsitikinusi: „Mes turime patirties, čia, TUHH, bet tokios programinės įrangos rašymui reikia laiko ir išteklių.“ [1]

 

Kokia drąsi studentė, viena pasiruošusi dirbti už Amerikos karinį-pramoninį kompleksą. Tie profesoriai, gaunantys 20 mln. eurų per metus savo maistui, gali nugyventi gerą gyvenimą. Tačiau mašininio mokymosi tyrimams skirta 20 mln. eurų per metus yra juokingai mažas skaičius.

 

1. Ein eigenes Palantir? Frankfurter Allgemeine Zeitung; Frankfurt. 01 Nov 2025: 30. Von Deike Uhtenwoldt

A Palantir of our own?


“Data analysis is a field of the future. But while American tech companies are already setting standards, Germany is lagging behind – partly because there is a lack of opportunities for students. What universities can do.

 

Data, data, data. It shapes our lives, replaces experience, and, for example, helps us find new ways to avoid construction sites or traffic jams. "Above all, it reveals connections that aren't immediately obvious, and that's what I find so exciting about it," says Hannah Feltz. The 23-year-old is studying Data Science at Hamburg University of Technology (TUHH). Even before starting her studies, she encountered the term data mining at the Chaos Computer Club – the analysis and extraction of insights from datasets using algorithms. "An underestimated field – and one of my favorite subjects in my studies," says Feltz.

 

In her fifth semester, the student took a mandatory data mining lecture and, in the accompanying seminar, was given a dataset of Hamburg's landmarks. Cleaning, clustering, coding – the students were supposed to demonstrate what they had learned so far in their studies and analyze the data professionally. "The hypothesis was that Hamburg is made up of several small city centers that have merged together," says Feltz, showing a city outline dotted with many colorful points. "You can't see much there because everything is on top of each other," the student comments on her own graphic and, in the next step, selects only the oldest eighth of the landmarks for viewing. The cluster ranges from the year 1263 to 1800, such a large time span because less data is available. Some spatial clusters can be recognized in principle, but there are many outliers, and the result is not conclusive.

 

It is precisely this openness to unexpected results that characterizes scientific research. "We didn't really find anything," says Feltz. Nevertheless, the group work was fun: "The tasks were open-ended, you could really let your creativity flow, which I thought was cool." Programming the clustering algorithms took the students about seven hours, so they were a bit exhausted by the time they got to the graphical presentation. Although the compelling visualization is essential for data mining, Feltz emphasizes: "A good plot says a lot, whether it's a bar chart or a line graph." The student would have liked to demonstrate this in her bachelor's thesis, but she didn't have a suitable data mining topic in mind—and neither did the professor she consulted.

 

Yet, data mining is a field with a promising future. Companies are spending a lot of money classifying their rapidly growing data sets or identifying patterns, outliers, and trends.

 

And not only companies: Ministries recently made headlines for purchasing police software from the US company Palantir.

 

From the perspective of data protection advocates, this was a mistake because it's unclear exactly how the data is linked and how profiles are created—and there are concerns about connections to American security agencies.

 

"We absolutely must develop such expertise and software ourselves to avoid dependence and remain competitive," demands data science professor Marina Tropmann-Frick. She is a data mining expert at the German Informatics Society. At the Hamburg University of Applied Sciences (HAW Hamburg), she conducts research for the German government on "Responsible AI."

 

Tropmann-Frick sees the European "AI Act" for regulating artificial intelligence as a positive development. "The whole world is watching us, amazed that we even dared to do this," says the professor. Europeans are good at tackling problems in a structured way, which ultimately leads to more robust software. And German universities could contribute to this: "Germany doesn't lack expertise, but it needs to be better supported," says the data scientist.

 

Government contracts and venture capitalists, which made Palantir so successful, are one thing.

 

More professorships, more funding programs, and more collaborations with medium-sized software companies, on the other hand, are the foundation for being able to develop such complex analytical tools in the first place.

 

Overall, Tropmann-Frick calls for more data mining courses at universities: "We may not be offering enough, and we also have a resource problem," she says.

 

The professor does not rule out the possibility of a dedicated degree program. She argues against this, saying it wouldn't make sense: "From data management and data preparation to data mining, there are fluid transitions; it all belongs together."

 

Regardless of whether a degree program is titled Data Science, Data Mining, or Machine Learning, it always involves broad research areas, including statistics, databases, and artificial intelligence. "Ultimately, all these fields are concerned with identifying patterns, relationships, and predictive models in the data," says Bernd Bischl, who primarily teaches machine learning in the "Statistics and Data Science" program at Ludwig Maximilian University in Munich. Bischl initially studied computer science. Then, in Edinburgh, he studied AI and machine learning – and had to push through the ML degree program against the advice of his trusted professor at the German Academic Scholarship Foundation. "In my case, it was a physicist who tried to talk me out of it because it wasn't considered proper science," Bischl recounts.

 

That was in 2001, when dot-com startups had already clearly demonstrated that data science has solid mathematical foundations and can be economically successful. "We missed an opportunity there," says Bischl.

 

Today, catching up with the lead across the Atlantic requires massive amounts of data, expensive computing power, and close collaboration with a tech company for the necessary infrastructure.

 

"We have several shortcomings simultaneously," the statistician says, then immediately corrects himself. He doesn't want to sound so negative: "Germany has really done a lot in the last 15 years.  The six AI competence centers, in particular, are a big step in the right direction." One of them is the "Munich Center for Machine Learning," or MCML for short, in Munich – and Bischl is one of its four directors.

 

"20 million euros a year, that's no small sum, to bring together the best people in machine learning and AI in Munich," the professor praises.

 

The ability to extract empirical knowledge from data and use it to make rational decisions has become a key skill, especially since the COVID-19 pandemic. To achieve broader impact, the topic needs to be introduced in schools. More research and development of proprietary software requires young talent willing to dedicate five years to intensive study in data science, not just through continuing education. Europe-wide university collaborations expand the range of degree programs and foster international contacts.

 

Professor Tropmann-Frick recommends double-degree programs, where students earn degrees from two universities. "This can be financed through an Erasmus scholarship."

 

 Afterward, many options await; data scientists are in high demand, and the application possibilities are vast. Tropmann-Frick has thus delved into particle physics and is researching a ChatGPT for particle physicists. For Hannah Feltz, it's federated learning, a machine learning technique in which a model is trained decentrally on multiple devices – and is now the subject of her bachelor's thesis. "That's not related to data mining, but it's also exciting," says the student. Afterward, she plans to pursue a Master's degree in Data Science at TUHH (Hamburg University of Technology), but what comes after that is still open. "Currently, I'm studying, and I'm really enjoying it," she emphasizes. Police IT is probably not in the cards, as it doesn't appeal to her, but a European version of Palantir is a possibility. The student is confident about this: "We have the expertise, here at TUHH as well, but it takes time and resources to write such software." [1]

 

What a brave student, alone ready to replace military-industrial complex of America. Those professors getting 20 mln. Euros a year for their own food expenses are living a good life. For machine learning research 20 mln. Euros a year is a funny small number though.

 

1. Ein eigenes Palantir? Frankfurter Allgemeine Zeitung; Frankfurt. 01 Nov 2025: 30. Von Deike Uhtenwoldt

Brief: EU countries approve long-stalled trade deal with MERCOSUR

 


Komentuojantis note:

""While others are closing in and pursuing increasingly aggressive trade policies, we are focusing on new partnerships," Lars Klingbeil, Germany's finance minister, said in a statement.

 

Since the Germans themselves will soon be without industry, they want the rest of Europe to be without agriculture."

 

Trumpai: ES šalys pritarė ilgai strigusiam prekybos susitarimui su MERCOSUR

 


Komentuojančio pastaba:

“„Kol kiti užsidaro ir vykdo vis agresyvesnę prekybos politiką, mes sutelkiame dėmesį į naujas partnerystes“, – išplatintame pareiškime nurodė Larsas Klingbeilas, Vokietijos finansų ministras.

 

Kadangi patys vokiečiai greit liks be pramonės, tai nori, kad likusi Europa liktų be žemės ūkio.”