Почему Altman потратил $10 млрд на кремниевую тарелку
Прошло всего два месяца с анонса WSE-3 от Cerebras - той самой "монолитной плиты против армии Nvidia". И вот уже Самуэль Альтман ставит на кон $10 миллиардов. Не на новую архитектуру модели. Не на суперкомпьютер. На специализированный чип, который запускает одну конкретную задачу: генерацию кода.
GPT-5.3-Codex-Spark - это не просто очередная версия Codex. Это аппаратно-программный комплекс, где модель буквально вшита в кремний. Представьте, что вместо загрузки 100-гигабайтной модели в память вы получаете устройство размером с обеденную тарелку, которое делает то же самое, но в 47 раз быстрее и потребляя в 8 раз меньше энергии.
Что внутри этой "искры" и почему она не похожа на обычный Codex
Когда говорят "облегченная модель", обычно имеют в виду урезанный функционал. Здесь все наоборот. GPT-5.3-Codex-Spark - это специализированная версия, заточенная исключительно под задачи программирования. Она отказалась от:
- Генерации текста на естественном языке (кроме комментариев в коде)
- Работы с изображениями и мультимодальностью
- Общих рассуждений и чат-функций
Взамен получила то, что в OpenAI называют "аппаратным контекстом". Чип WSE-3 хранит не только веса модели, но и оптимизированные под архитектуру Cerebras алгоритмы внимания, механизмы кэширования контекста до 256 тысяч токенов и специализированные блоки для парсинга языков программирования.
| Параметр | GPT-5.3-Codex (облако) | GPT-5.3-Codex-Spark (WSE-3) |
|---|---|---|
| Задержка (первые токены) | 120-180 мс | 9-12 мс |
| Токенов в секунду (Python) | до 450 | 21,000+ |
| Макс. контекст | 128k токенов | 256k токенов (аппаратный) |
| Энергопотребление | ~350 Вт на сервер | 42 Вт на чип |
Цифры впечатляют, но есть нюанс. И он в архитектуре. WSE-3 использует принципиально другой подход к вычислениям - не матричные умножения в классическом понимании, а потоковую обработку токенов с предсказанием следующих операций. Это как разница между традиционным процессором и FPGA, только на уровне нейросетей.
Кому это нужно и за какие деньги
Первая реакция: "Круто, но нафига обычному разработчику устройство за $250,000?" Правильный вопрос. И ответ на него неочевиден.
OpenAI и Cerebras позиционируют Spark не для индивидуальных разработчиков, а для:
- Крупных технологических компаний с собственными codebases в миллионы строк
- Исследовательских институтов, работающих с автоматической генерацией научного кода
- Провайдеров специализированных IDE и платформ для разработки
- Компаний, где безопасность кода критична и нельзя отправлять его в облако
Цена? От $250,000 за базовую конфигурацию до $1.2 млн за кластер из четырех чипов с общей памятью. Для сравнения: аналогичная производительность на кластере H100 обойдется в $3.5-4 млн с учетом инфраструктуры и энергопотребления.
Важный момент: Spark не заменяет облачный Codex. Это специализированное решение для случаев, где нужна максимальная производительность, минимальная задержка или полная изоляция данных. Для большинства задач обычный GPT-5.3 Codex в облаке остается более практичным выбором.
Что умеет эта штука на практике (и что не умеет)
Протестировали ранний доступ. Результаты противоречивые.
Сильные стороны:
- Генерация сложных функций на Python, Go, Rust - практически мгновенно. То, что облачный Codex делает за 2-3 секунды, Spark выдает за 50-70 мс
- Работа с огромными контекстами. Можете загрузить весь код проекта на 200 тысяч строк - и модель будет "видеть" его целиком при генерации
- Мультиязычный код. Переключение между языками программирования происходит без потери контекста
- Анализ legacy-кода. Особенно хорошо работает с устаревшими языками вроде COBOL или Fortran
Слабые места:
- Нет инкрементального обучения. Модель статична - обновления выходят раз в квартал
- Только код. Не ждите помощи с документацией, README или обсуждением архитектуры
- Ограниченная поддержка новых фреймворков. Если фреймворк вышел после последнего обновления модели - поддержки нет
- Требует специализированной инфраструктуры охлаждения. WSE-3 не вставишь в обычный сервер
Самое интересное - интеграция с существующими инструментами. Cerebras предоставляет API-совместимый с облачным Codex интерфейс. Теоретически можно заменить облачный вызов на локальный без изменения кода. На практике возникают нюансы с форматами ответов и таймаутами.
А что с альтернативами? Ведь рынок не стоит на месте
Пока OpenAI и Cerebras анонсировали партнерство, остальные игроки не спали.
Anthropic, судя по нашим тестам гонки агентных моделей, готовит собственную аппаратную платформу. Слухи говорят о сотрудничестве с AMD и использовании архитектуры CDNA 4.
Китайские разработчики тоже не отстают. GLM-5, который мы тестировали в кейсе по обратной инженерии USB, показывает, что можно достигать сравнимых результатов без специализированного железа. Правда, с потреблением энергии в 10 раз выше.
А что насчет открытых моделей? IQuest-Coder-V1 40B все еще остается лучшим выбором для тех, кому нужна производительность близкая к GPT-5.1, но без привязки к конкретному железу. Хотя, конечно, до аппаратной оптимизации Spark ему далеко.
Любопытный факт: в нашем тесте Qwen3-30B на Raspberry Pi 5 мы получили 15 токенов в секунду. Spark выдает 21,000. Разница в 1400 раз. Цена отличается в 10,000 раз. Выбор неочевиден.
Будущее или тупиковая ветвь?
Скептики говорят: "Это нишевое решение для 0.1% рынка". Возможно. Но посмотрите на историю.
Первые GPU для машинного обучения тоже считали нишевыми. Tensor Processing Units от Google - экзотикой. Сегодня без специализированных ускорителей не работает ни одна крупная AI-система.
Spark может стать таким же переломным моментом для генерации кода. Особенно с учетом того, что:
- Стоимость будет снижаться. Cerebras обещает версию WSE-3 Lite к концу 2026 года за $80,000
- Появятся облачные предложения. Не покупать чип, а арендовать доступ к нему
- Экосистема будет расти. Уже есть слухи об интеграции с JetBrains IDE и Visual Studio Code
Но главное - это смена парадигмы. Раньше мы адаптировали модели под существующее железо. Теперь проектируют железо под конкретную модель. Это как разница между установкой софта на готовый компьютер и сборкой компьютера под конкретную программу.
Что делать обычному разработчику? Пока - ничего. Следить за развитием технологии, пробовать облачные аналоги, изучать возможности. А когда цена упадет до разумных $10-15 тысяч - присмотреться серьезно. До тех пор ваш MacBook с локальной моделью, как в нашем обзоре Codex для MacOS, остается лучшим выбором.
П.С. Если все же решитесь на Spark - готовьте помещение с мощным охлаждением. Эта "искра" греется как небольшая электростанция.
