Trys siūlomi pagrindinės XXI amžiaus problemos sprendimai: tame tarpe duomenų erdvės - pramonės dirbtinio intelekto raktas

„Pramoninis dirbtinis intelektas yra daugelio išsivysčiusių šalių, tokių, kaip Vokietija ir Japonija, dirbtinio intelekto strategijų pagrindinis komponentas. Jis sukuria didelę ekonominę pridėtinę vertę, pavyzdžiui, autonominių transporto priemonių, logistikos centrų automatizavimo, tiekimo grandinės ir transporto planavimo bei prognozuojamos mašinų priežiūros srityse.

 

Pramoninis dirbtinis intelektas iš esmės skiriasi nuo didelių kalbos modelių (LLM), kurie šiandien plačiai naudojami daugelyje komercinių ir privačių programų. Šie modeliai pirmiausia apmokomi, naudojant didelius kiekius, viešai prieinamų, interneto duomenų.

 

Kita vertus, pramoninis dirbtinis intelektas negali pasikliauti tokiais bendriniais duomenų šaltiniais. Jis priklauso nuo labai specifinių, aukštos kokybės ir dažnai retų duomenų, generuojamų pramonės aplinkoje – duomenų, kurių nė viena įmonė neturi pakankamai.

 

Pramoniniai duomenys yra ne tik riboto prieinamumo, bet ir dažnai labai jautrūs, nes juose yra verslui svarbios informacijos. Be to, tam tikri įvykiai, pavyzdžiui, mašinų gedimai, pasitaiko retai, nors jie yra būtini galingų prognozavimo modelių mokymui.

 

Be to, pramonės aplinka nuolat vystosi. Mašinos modernizuojamos, procesai pritaikomi, o išorinės sąlygos keičiasi. Dirbtinio intelekto modeliai todėl turi būti nuolat tobulinami, siekiant išvengti našumo mažėjimo, vadinamojo „modelio dreifo“.

 

Pramoninio dirbtinio intelekto galimybės yra milžiniškos. Tačiau jo sėkmė mažiau priklauso nuo tolesnės algoritminės pažangos, nei nuo prieigos prie aukštos kokybės, konkrečiai sričiai skirtų duomenų.

 

Vienos įmonės duomenų paprastai nepakanka patikimiems pramoninio dirbtinio intelekto modeliams sukurti.

 

Vienas pavyzdys – nuspėjamoji pramoninių mašinų priežiūra: gamintojas gali rinkti veikimo duomenis iš savo arba savo klientų įrangos. Tačiau šis duomenų rinkinys dažnai yra per mažas arba per homogeniškas, kad būtų galima apmokyti labai patikimus modelius. Retus gedimus, skirtingas veikimo sąlygas arba konkrečiai pramonei taikomus reikalavimus galima užfiksuoti, tik sujungus duomenis iš kelių organizacijų.

 

Tai sukuria esminę prielaidą: įmonės turi bendradarbiauti ekosistemose ir dalytis duomenimis viena su kita. Būtent čia prasideda abejonės.

 

Duomenų savininkų požiūriu, dalijimasis neapdorotais duomenimis gali reikšti kontrolės praradimą ir komercinių paslapčių atskleidimo riziką. Pavyzdžiui, įmonės baiminasi, kad konkurentai galėtų padaryti išvadas apie gamybos neefektyvumą ar gedimų modelius.

 

Prie to prisideda ir netikrumas, susijęs su reguliavimo sistemomis. Nors tokie įstatymai kaip Duomenų įstatymas, Dirbtinio intelekto įstatymas ir Duomenų valdymo įstatymas skirti teikti gaires, praktikoje jie dažnai sukelia dar didesnį nenorą, nes daugelis įmonių nėra tikros, ar jos visiškai atitinka visus tuos reikalavimus.

 

Todėl pramoninių dirbtinio intelekto modelių mokymui būdingas esminis interesų konfliktas: viena vertus, dėl duomenų iš įvairių šaltinių ir įvairių suinteresuotųjų šalių bendradarbiavimas yra būtinas. Kita vertus, įmonės nenoriai atskleidžia savo vertingus duomenų išteklius.

 

Duomenų erdvės siūlo šios dilemos sprendimą. Jos leidžia keistis pramoniniais duomenimis ir kartu skatina pasitikėjimą pramoninių duomenų ekosistemose. Pagrindinė idėja yra ta, kad duomenys lieka savininkui ir vis tiek gali būti naudojami aiškiai apibrėžtomis sąlygomis. Užuot centralizuotai saugojusios neapdorotus duomenis, duomenų erdvės leidžia tiesiogiai ir kontroliuojamai keistis duomenimis tarp dalyvių.

 

Svarbus technologinis metodas šiame kontekste yra federacinis mokymasis. Taikant šį metodą, duomenys nepalieka savo vietinės aplinkos. Vietoj to, dirbtinio intelekto modeliai mokomi decentralizuotai, o į duomenų centrą siunčiami tik modelio parametrai arba atnaujinimai. Centrinė instancija perduoda duomenis. Tai leidžia mokytis bendradarbiaujant, neatskleidžiant neskelbtinos informacijos. Duomenų erdvės taip pat sukuria architektūrą, kuri skiria „valdymo plokštumą“ ir „duomenų plokštumą“. Nors valdymo plokštuma apibrėžia prieigos teises, valdymą taisyklių ir naudojimo gairių pagrindu duomenų plokštuma organizuoja faktinį duomenų mainus. Šis atskyrimas suteikia lankstumo ir tuo pačiu skatina pasitikėjimą bei reguliavimo tikrumą.

 

Šioje sistemoje galima išskirti tris bendradarbiaujančio dirbtinio intelekto formas: kelių suinteresuotųjų šalių bendras dirbtinio intelekto modelių kūrimas, pavyzdžiui, taikant federalinį mokymąsi; išorinių duomenų naudojimas tarp organizacijų, siekiant patobulinti esamus modelius; ir nepriklausomų dirbtinio intelekto agentų bendradarbiavimas, kai jie keičiasi įžvalgomis, nesidalindami neapdorotais duomenimis.

 

Derindami šiuos metodus, duomenų erdvės leidžia užtikrinti keičiamą masteliį ir patikimą bendradarbiavimą, peržengiant įmonių ribas.

 

Nepaisant akivaizdžios naudos, duomenų erdvių diegimas vyksta lėtai. Tam yra kelios praktinės priežastys: pirma, daugelis įmonių vis dar susiduria su sunkumais, valdydamos vidinius duomenis. Duomenys yra atskirose saugyklose, jų kokybė skiriasi ir reikia daug pastangų, kad būtų galima pasiruošti dirbtinio intelekto programoms.

 

Antra, pati duomenų kokybė yra pagrindinis veiksnys. Prastos kokybės duomenys ne tik kenkia dirbtinio intelekto modelių veikimui, bet ir kelia didelę riziką, ypač tokiose saugumui svarbiose srityse, kaip gamyba ar autonominės sistemos.

 

Trečia, valdymas išlieka jautria tema. Nors duomenų erdvės siūlo mechanizmus naudojimo taisyklėms apibrėžti, dalyvaujančios šalys pirmiausia turi susitarti dėl bendrų standartų. Tam reikia pasitikėjimo ir koordinavimo – ir tai toli gražu nėra trivialu.

 

Prie to prisideda ir dažnai nepakankamai įvertinamas ekonominis aspektas. Duomenys yra vertingas išteklius. Tie, kurie prisideda prie bendro modelio duomenimis, nori suprasti, kaip šis indėlis virsta verte – geresnių modelių, finansinės grąžos ar strateginių pranašumų forma.

 

Todėl iššūkis nėra vien technologinis: sėkmingam įgyvendinimui reikia suderinti technologijas, teisines ir organizacines sistemas bei ekonominių skatinimo sistemas.

 

Ilgalaikėje perspektyvoje tikslas – sukurti išmanias duomenų ekosistemas, kurios leistų visapusiškai skaitmeniniu būdu atvaizduoti realų pasaulį. Šios ekosistemos bus pagrįstos, tarpusavyje susijusiais, skaitmeniniais turto, procesų ir tiekimo grandinių dvyniais, sudarydamos sąlygas nuolat keistis duomenimis tarp organizacijų ribų.

 

Šios raidos išskirtinis bruožas yra perėjimas nuo linijinio prie žiedinio mąstymo: tradiciniai verslo procesai laikosi aiškių sekų su apibrėžtais pradžios ir pabaigos taškais, o ateities duomenimis pagrįstos sistemos veikia nuolatiniuose grįžtamojo ryšio cikluose. Duomenys nuolat generuojami, bendrinami ir pakartotinai naudojami, siekiant nuolat tobulinti procesus ir sprendimus. Šis žiedinis požiūris taikomas tiek fiziniams procesams, tokiems, kaip išteklių efektyvumas ir pakartotinis naudojimas, tiek skaitmeniniams procesams, kai duomenys nuolat grįžta į dirbtinio intelekto modelius ir sprendimų priėmimo sistemas.

 

 

Borisas Otto yra pramoninio informacijos valdymo profesorius TU Dortmundo universitete ir Fraunhoferio programinės įrangos ir sistemų inžinerijos instituto ISST direktorius.

 

 

Takahide Matsutsuka yra atsakingas už pažangiausių technologijų duomenų erdvių srityje tyrimus ir plėtrą „Fujitsu Research“. [1]

 

Ar Kinija plėtoja panašų judėjimą?

 

Taip, Kinija agresyviai siekia panašaus ir, ko gero, labiau valstybės valdomo judėjimo, oficialiai įvardindama duomenis, kaip pagrindinį „gamybos veiksnį“ kartu su darbu, žeme, kapitalu ir technologijomis.

 

Užuot griežtai pasikliovęs decentralizuotomis europietiško stiliaus duomenų erdvėmis (pvz., „Gaia-X“), Pekinas įsteigė Nacionalinę duomenų administraciją, kad sukurtų vieningus nacionalinius duomenų standartus, prekybos rinkas ir tarpsektorinį pramonės telkimą.

 

Pagrindiniai Kinijos pramoninių duomenų ir dirbtinio intelekto strategijos elementai

 

• Duomenys kaip gamybos veiksnys: duomenų pavertimas pamatiniu ekonominiu turtu, skirtu išmaniajai gamybai, autonominėms sistemoms ir fiziniam dirbtiniam intelektui.

 

• „DI + gamybos“ veiksmų planai: koordinuojami Pramonės ir informacinių technologijų ministerijos (MIIT), siekiant sujungti pramoninį internetą su pažangiu dirbtiniu intelektu dešimtyse tūkstančių įmonių.

 

• Nacionaliniai duomenų mainai: regioninių duomenų prekybos centrų kūrimas tokiuose miestuose, kaip Šanchajus ir Šendženas, kad būtų galima platinti patentuotus pramonės, transporto ir gamybos duomenų rinkinius.

 

• Fizinio ir įkūnyto dirbtinio intelekto dėmesys: pasitelkiant didžiulį gamyklų grindų automatizavimo ir robotikos tankį, siekiant surinkti realaus pasaulio, jutiklio lygio duomenis, kurių Vakarų vartotojų žiniatinklio modeliai negali lengvai atkartoti.

 

Pagrindiniai Amerikos dirbtinio intelekto kūrėjai (Samas Altmanas ir Dario Amodei) vysto kitokią sistemą. 

 

Jie kuria uždarus DI modelius, neleidžia juos pritaikyti pačioms įmonėms lokaliai, naudodamiesi žmonių išsilavinimo trūkumu ir tariamu pavojumi, kurį neva tai, tik jų pačių nekontroliuojamas, DI kelia žmonijai. Jie kuria, įsilaužiančius į kitų įmonių DI, agentus. Tokiu būdu jie tikisi pavogti visų pasaulio įmonių verslo paslaptis, sukurti tuo pagrindu galingą DI, pasinaudoti šio DI efektyvumu ir išstumti visas pasaulio įmones iš rinkos. Tada liktų tik dvi amerikietiškos įmonės pasaulyje, kurios galėtų ramiai sau rinkti duomenis ir toliau vystyti DI.

 

Kritikai dažnai kaltina Altmaną ir Amodei naudojantis „baimės faktoriumi“. Yra nuomonė, kad kalbomis apie „egzistencinį pavojų žmonijai“ ir periodišku DI agentų-įsilaužėlių išleidimu šie didieji žaidėjai siekia išprovokuoti valstybių reguliavimą (griežtus įstatymus), kuris uždėtų per didelę naštą mažiems startuoliams ir kitoms DI įmonėms ir taip apsaugotų šių didžiųjų žaidėjų rinkos dalį. Tai vadinama „regulatory capture“ (reguliavimo užvaldymu).

 

Jei šiems dviems veikėjams jų planas pavyks, duomenų rinkimo DI apmokymui problema bus išspręsta grynai amerikietiškai, privačių kompanijų dėka, be europietiškų kooperatyvų ir kiniškos valdžios dalyvavimo.

 

1. Datenräume: Der Schlüssel zur industriellen KI. Frankfurter Allgemeine Zeitung; Frankfurt. 01 June 2026: 18.  Von Boris Otto und Takahide Matsutsuka

 

Three Proposed Solutions to the Main Problem of the 21-st Century: Including Data Spaces - The Key to Industrial AI

“Industrial artificial intelligence is a central component of the AI ​​strategies of many industrialized nations, such as Germany and Japan. It creates significant economic added value, for example, in the areas of autonomous vehicles, the automation of logistics centers, supply chain and transportation planning, and predictive maintenance of machinery.

 

Industrial AI differs fundamentally from the large language models (LLMs) that are widely used today in many commercial and private applications. These models are primarily trained with vast amounts of publicly available internet data.

 

Industrial AI, on the other hand, cannot rely on such generic data sources. It depends on highly specific, high-quality, and often scarce data generated within industrial environments—data that no single company possesses in sufficient quantities.

 

Industrial data is not only limited in availability but also frequently highly sensitive, as it contains business-critical information. Furthermore, certain events, such as machine failures, occur only rarely, even though they are essential for training powerful predictive models.

 

In addition, industrial environments are constantly evolving. Machines are modernized, processes are adapted, and external conditions change. AI models must therefore be continuously developed to avoid performance declines, the so-called "model drift."

 

The opportunities for industrial AI are enormous. However, its success depends less on further algorithmic advances than on access to high-quality, domain-specific data.

 

The data from a single company is generally insufficient to develop robust industrial AI models.

 

One example is predictive maintenance of industrial machinery: A manufacturer can collect operational data from its own equipment or that of its customers. But this data set is often too small or too homogeneous to train highly reliable models. Rare failures, varying operating conditions, or industry-specific requirements can only be captured when data from multiple organizations is combined.

 

This creates a fundamental prerequisite: Companies must cooperate in ecosystems and share data with one another. This is precisely where the reservations begin.

 

From the perspective of data owners, sharing raw data potentially means a loss of control and the risk of disclosing trade secrets. Companies fear, for example, that competitors could draw conclusions about production inefficiencies or failure patterns.

 

Added to this is the uncertainty surrounding regulatory frameworks. While laws such as the Data Act, the AI ​​Act, and the Data Governance Act are intended to provide guidance, in practice they often lead to further reluctance because many companies are unsure whether they fully comply with all the requirements.

 

The training of industrial AI models is therefore characterized by a fundamental conflict of interest: On the one hand, data from diverse sources and the collaboration of various stakeholders are indispensable. On the other hand, companies are reluctant to disclose their valuable data assets.

 

Data spaces offer a solution to this dilemma. They enable the exchange of industrial data and simultaneously foster trust within industrial data ecosystems. The basic idea is that data remains with the owner and can still be used under clearly defined conditions. Instead of storing raw data centrally, data spaces enable direct, controlled exchange between participants.

 

A key technological approach in this context is federated learning. With this approach, the data does not leave its local environment. Instead, AI models are trained decentrally, and only model parameters or updates are sent to the data center. a central instance transmits the data. This enables collaborative learning without disclosing sensitive information. Data spaces also create an architecture that distinguishes between a "control plane" and a "data plane." While the control plane defines access rights, governance rules, and usage guidelines, the data plane organizes the actual data exchange. This separation allows for flexibility while simultaneously fostering trust and regulatory certainty.

 

Within this framework, three forms of collaborative AI can be distinguished: the joint development of AI models by multiple stakeholders, for example, through federated learning; the cross-organizational use of external data to improve existing models; and the collaboration of independent AI agents that exchange insights without sharing raw data.

 

By combining the approaches, data spaces enable scalable and trustworthy collaboration across corporate boundaries.

 

Despite the obvious benefits, the adoption of data spaces is progressing slowly. There are several practical reasons for this: First, many companies still struggle with internal data management. Data resides in silos, varies in quality, and requires significant effort to prepare for AI applications.

 

Second, data quality itself is a key issue. Poor-quality data not only impairs the performance of AI models but also poses significant risks, particularly in safety-critical areas such as manufacturing or autonomous systems.

 

Third, governance remains a sensitive topic. While data spaces offer mechanisms for defining usage rules, the participating parties must first agree on common standards. This requires trust and coordination—and is anything but trivial.

 

Added to this is an often-underestimated economic dimension. Data is a valuable resource. Those contributing data to a shared model want to understand how that contribution translates into value—whether in the form of better models, financial returns, or strategic advantages.

 

The challenge is therefore not merely technological: successful implementation requires aligning technology, legal and organizational frameworks, and economic incentive systems.

 

In the long term, the goal is to build intelligent data ecosystems that enable a comprehensive digital representation of the real world. These ecosystems will be based on interconnected digital twins of assets, processes, and supply chains, allowing for continuous data exchange across organizational boundaries.

 

A defining characteristic of this development is the shift from linear to circular thinking: traditional business processes follow clear sequences with defined start and end points, whereas the data-driven systems of the future operate within continuous feedback loops. Data is continuously generated, shared, and reused to constantly improve processes and decisions. This circular approach applies to both physical processes—such as resource efficiency and reuse—and digital processes, in which data continuously feeds back into AI models and decision-making systems.

 

Boris Otto is Professor of Industrial Information Management at TU Dortmund University and Director of the Fraunhofer Institute for Software and Systems Engineering ISST.

 

Takahide Matsutsuka is responsible for the research and development of cutting-edge technologies in the field of data spaces at Fujitsu Research.” [1]

 

Does China develop similar movement?

Yes, China is aggressively pursuing a similar and arguably more state-directed movement, officially designating data as a core "factor of production" alongside labor, land, capital, and technology.

 

Rather than relying strictly on decentralized European-style data spaces (like Gaia-X), Beijing established the National Data Administration to build unified national data standards, trading markets, and cross-sector industrial pooling.

 

Core Elements of China's Industrial Data & AI Strategy

 

•     Data as Production Factor: Elevating data to a foundational economic asset to power smart manufacturing, autonomous systems, and physical AI.

 

•     "AI + Manufacturing" Action Plans: Coordinated via the Ministry of Industry and Information Technology (MIIT) to merge the industrial internet with advanced AI across tens of thousands of enterprises.

 

•     National Data Exchanges: Creating regional data trading hubs in cities like Shanghai and Shenzhen to circulate proprietary industrial, transport, and manufacturing datasets.

 

•     Physical & Embodied AI Focus: Leveraging its massive factory floor automation and robotics density to gather real-world, sensor-level data that Western consumer-web models cannot easily replicate.

 

The main creators of American artificial intelligence (Sam Altman and Dario Amodei) are developing a different system. They create closed AI models, do not allow them to be improved locally by companies themselves, taking advantage of people's lack of education and the alleged danger that AI, which is supposedly beyond their control, poses to humanity. They create AI agents that hack into the systems ​​of other companies. In this way, they hope to steal the business secrets of all the companies in the world, create a powerful AI on its basis, use the efficiency of this AI and push all the companies in the world out of the market. Then there would be only two American companies in the world that could calmly collect data for themselves and continue to develop AI.

 

Critics often accuse Altman and Amodei of using the "fear factor". There is an opinion that by talking about the “existential threat to humanity” and periodically releasing AI agents-hackers, these big players are trying to provoke state regulation (strict laws), which would put an excessive burden on small startups and other AI companies and thus protect the market share of their own large companies. This is called “regulatory capture”.

 

If these two actors succeed in their plan, the problem of collecting data for AI training will be solved in a purely American way, thanks to private companies, without the participation of European cooperatives and the Chinese government.

 

 

 

1. Datenräume: Der Schlüssel zur industriellen KI. Frankfurter Allgemeine Zeitung; Frankfurt. 01 June 2026: 18.  Von Boris Otto und Takahide Matsutsuka

Kulbergas: EU can pay for its security in euros, otherwise Latvia will pay for it in people. We, Lithuanians, are also afraid, only of China, which has already recalled its ambassador from Lithuania. We want those billions of euros from the EU too

 

“After a report in Politico this week about the request of Latvian Prime Minister Andris Kulbergas that Brussels should allocate 7 billion euros to his country to cover military and economic costs related to the events in Ukraine, the politician explained the motives for such a request to the LETA news agency.

 

Emphasizes differences in defense spending

 

A. Kulbergas explained that Latvia does not require these 7 billion euros to be allocated as additional funding.

 

According to him, this amount reflects the difference in spending: the Latvian Parliament (Saeima) has established by law that from 2027 Latvia must allocate at least 5 percent of its gross domestic product (GDP) to defense, while the average European country will spend significantly less on defense. According to Kulbergas, over seven years, these 7 billion euros would amount to approximately 1.8 percent of Latvia’s projected GDP.

 

Kulbergas stressed that deterring threats at Latvia’s border benefits the whole of Europe.

 

“If the border holds, Bavaria and other European regions also become safer, regardless of whether Bavaria pays for it. When the benefits accrue to everyone and the costs are concentrated in one geographical area, the result is always the same – insufficient investment,” the Latvian Prime Minister said.

 

He added that Latvia’s “market price of debt” is also higher precisely because of the country’s border location, which means that the country pays the highest interest rate for investments that reduce the threat to the entire European Union (EU). In Kulbergas’ opinion, this is a fundamental market flaw that makes it impossible to solve the problem with loans alone.

Orders for Western European countries, growing debt for Latvia

 

According to A. Kulbergas, each euro invested in border fortifications provides a greater deterrent effect than a euro spent 1.5 thousand kilometers west of the border.

 

“If Europe wants to get the most security for every euro spent, it must invest where the border is. This is not a request to show solidarity. This is a proposal on how to allocate capital most effectively,” the politician assured.

 

According to him, most of the funds spent return to the West, because weapons and equipment are purchased in Germany, France, Sweden, the Netherlands and Spain. While Latvia is sinking deeper into debt, Western European countries are receiving orders, A. Kulbergas noted. He emphasized that it is not about transferring money to Latvia, but about ensuring common European security.

“One cup of coffee per year”

 

According to A. Kulbergas, 7 billion The €1.2 trillion budget represents about 0.4 percent of the proposed nearly €2 trillion European budget and 5.3 percent of the €131 billion earmarked for defense and space. Dividing this amount by 449 million Europeans, one person would have to pay €2.23 per year.

 

“One cup of coffee once a year,” A. Kulbergas calculated.

 

At that time, the burden on one Latvian resident amounted to about €540 per year, he stressed.

The public sector is suffering

 

The Prime Minister pointed out that currently Latvia is actually financing part of its defense spending with borrowed funds, or, in other words, by diverting funds from the country’s schools, hospitals and pensions.

 

According to him, Latvia’s debt is projected to grow from 47 percent of GDP in 2025 to more than 54 percent of GDP by the end of this decade.

 

“Europe can pay for its borders in euros. Otherwise, Latvia will pay for them in people,” said A. Kulbergas.

 

The Latvian Prime Minister also stressed that if the EU cannot allocate 2.23 euros per capita per year, the question is no longer whether Latvia can afford to allocate 5 percent of GDP to defense. According to him, then the question arises as to what Article 42(7) of the EU Treaty means in practice. It stipulates that if a Member State becomes a victim of armed aggression on its territory, other Member States must provide it with assistance and support by all available means in accordance with Article 51 of the United Nations Charter.”