В работе исследуется проблема измерения и прогнозирования технологической конвергенции искусственного интеллекта (ИИ) и сопряжённых наукоёмких областей с позиций экономики инноваций. Актуальность задачи определяется систематическим разрывом между нарративами, основанными на ажиотаже, и наблюдаемым технологическим потенциалом: публичные прогнозы, как правило, линейны и не учитывают эффекты насыщения, а также взаимные ограничения со стороны энергетики, вычислительной базы и регуляторных лагов. Цель статьи — построить воспроизводимую количественную модель оценки и прогнозирования технологической мощи для семи технологических областей и количественно охарактеризовать риск инфраструктурного «узкого места» в период 2027–2030 гг. Методологическая база включает: нормализацию трёх первичных показателей (инвестиции, научные публикации, патентные заявки) методом мин-макс; снижение размерности с помощью метода главных компонент (PCA) с построением составного технологического индекса I_tech; параметризацию диффузии через логистическую кривую Верхюльста — Фишера — Прая (параметры L, k, t_0); кросс-корреляционный анализ временных лагов между наукой, патентованием и инвестициями. Эмпирическая база охватывает агрегированные временные ряды за 2013–2024 гг. с прогнозным горизонтом до 2050 г. Получены три ключевых результата: (1) количественно зафиксирован разрыв в скоростях диффузии между когнитивным кластером (ИИ, k≈0,44) и инфраструктурным кластером (энергетика, k≈0,08); (2) выявлено сжатие инновационного лага «наука — патент» в области ИИ до 2–3 лет против 5–7 лет в традиционных отраслях; (3) предложена двумерная типологическая карта «скорость × мощность» для стратегического планирования. Результаты применимы в задачах формирования технологической и инвестиционной политики, а также для аналитических подразделений промышленных корпораций при долгосрочном планировании капитальных вложений.
The article addresses the problem of measuring and forecasting the technological convergence between artificial intelligence (AI) and adjacent science-intensive domains from the perspective of innovation economics. The relevance of the task stems from a systematic gap between hype-driven narratives and the observed technological potential: public projections are predominantly linear and fail to account for saturation effects and mutual constraints related to energy supply, computing capacity and regulatory lags. The purpose of the study is to construct a reproducible quantitative framework for assessing and forecasting the technological strength of seven technology areas and to quantify the risk of an infrastructure bottleneck over the period 2027–2030. The methodology comprises: min-max normalization of three primary indicators (investment, scientific publications and patent applications); dimensionality reduction via principal component analysis (PCA) yielding a composite technological index I_tech; parameterization of diffusion through the Verhulst — Fisher — Pry logistic curve (parameters L, k, t_0); and a cross-correlation analysis of time lags between science, patenting and investment. The empirical base covers aggregated time series for 2013–2024 with a forecasting horizon up to 2050. Three key results are obtained: (1) the diffusion-rate gap between the cognitive cluster (AI, k≈0.44) and the infrastructure cluster (energy, k≈0.08) is quantified; (2) the science-to-patent innovation lag in AI is shown to have compressed to 2–3 years compared with 5–7 years in traditional industries; (3) a two-dimensional 'speed × power' typological map is proposed for strategic planning. The results are applicable to the design of technology and investment policy as well as to corporate analytics functions engaged in long-term capital planning.