Почему инфраструктура стала главным барьером для ИИ
Ключевые ограничения развития ИИ сместились от разработки моделей к вычислительной инфраструктуре. GPU-кластеры, дата-центры, механизмы закупок оборудования, нормативное регулирование и технологическая независимость определяют, кто вообще может обучать и обслуживать современные LLM. Такую рамку предлагает Кирилл Пронин в разборе на Хабре, написанном после его выступления на IT-форуме РУССОФТ 2026, где он освещал проблематику крупных компаний в сфере ИИ.
Практический вывод из этой рамки простой. Алгоритмы и датасеты перестали быть узким местом. Модель уровня ChatGPT или DeepSeek нельзя собрать в ноутбуке или на одном сервере, даже если у команды есть архитектура и сильные инженеры. Нужны ускорители, объединённые в кластер, здания с электрической мощностью и охлаждением, а также каналы закупок, которые позволяют эти ускорители получать.
GPU-кластеры и дата-центры: что именно нужно для обучения LLM
Обучение современной LLM - распределённая задача. GPU объединяют в кластер, где каждый ускоритель считает свою часть градиентов, а результат синхронизируется по сети. Поэтому вычислительный ресурс сводится не к самим видеокартам.
В стоимость и сроки входят:
- ускорители (GPU) с достаточным объёмом VRAM;
- сетевое оборудование с высокой пропускной способностью и низкой задержкой: без него синхронизация между узлами съедает весь выигрыш от параллелизма;
- системы охлаждения: плотные стойки выделяют много тепла, и офисный кондиционер задачу не решает;
- электропитание с запасом мощности и резервированием;
- дисковые массивы и хранилища для датасетов и чекпойнтов.
Дата-центр под такие нагрузки проектируют отдельно: важны подведённая мощность, отвод тепла и физическое место. Читателю, который запускает модели дома, полезно разделять два сценария. Инференс небольшой квантованной модели на своей видеокарте - реальная задача для домашнего ПК. Обучение фронтирной модели с нуля - задача другого масштаба, и без кластера она не решается. Подробнее про факторы, которые определяют, может ли независимая команда обучить модель уровня лидеров, мы разбирали в отдельном материале.
Закупки оборудования и нормативное регулирование как часть барьера
Даже при наличии денег доступ к современным ускорителям ограничен. Механизмы закупок оборудования и нормативное регулирование входят в список ключевых ограничений наряду с кластерами и дата-центрами. Экспортные ограничения, правила поставок, требования к сертификации и локализации влияют на то, какие GPU и в какие сроки попадают в страну.
Технологическая независимость добавляет ещё один слой. Если критичные компоненты, ПО и сервисы приходят из одной юрисдикции, любые изменения правил бьют по всей цепочке: поставки, обучение, инференс, поддержка. Регулирование работает в обе стороны: оно может ускорять строительство дата-центров через льготы, тарифы и землю и тормозить закупки через согласования и ограничения. Категоричных выводов здесь лучше избегать: конкретные правила меняются, а их влияние зависит от сценария.
Модель «чёрной дыры»: где пользователи выбирают отечественный ИИ, а где уходят к зарубежным
Ситуацию с развитием ИИ в России на 2026 год автор описывает через метафору чёрной дыры: горизонт событий, сингулярность и оси X, Y в двумерном пространстве. Оси - это сложность задач и предпочтения клиента, человека или бизнеса. Из этой картинки следует, что области выбора отечественного и суверенного ИИ лежат на двух полюсах: рамка лёгкой сложности и сверх-мега вычисления. Между ними остаётся зона средней сложности, где локальные модели проигрывают зарубежным аналогам.
Простые задачи: почему отечественные продукты выигрывают
На простых запросах решает не качество модели, а доступность. Рецепт пирога или прогноз погоды пользователь скорее спросит у отечественного продукта: тот уже встроен в его поисковик и живёт в привычной экосистеме сервисов. Лишний переход в другой интерфейс, регистрация и подписка проигрывают кнопке в уже открытом приложении.
Барьер входа низкий. Задача не требует длинного контекста, сложных рассуждений и знаний за пределами поисковой выдачи. Экономика тоже в пользу локального игрока: ответить на такой запрос дёшево, а трафик и удержание пользователя остаются внутри экосистемы.
Средняя сложность: почему происходит отток к зарубежным аналогам
В задачах средней сложности картина меняется. Сопоставимых по качеству локальных моделей нет, поэтому пользователь и бизнес уходят туда, где результат лучше. Речь о рабочей аналитике, написании и рефакторинге кода, разборе документов, многошаговых поручениях: там важны длина контекста, устойчивость к ошибкам и качество рассуждений.
Корень проблемы - инфраструктура. Чтобы получить аналог ChatGPT или DeepSeek, нужны вычислительные ресурсы для обучения и дообучения, а значит те самые GPU-кластеры и дата-центры. Без них даже хорошая команда упирается в потолок: быстро выпускать и переобучать модели не на чем. Как сравнивать открытые и закрытые модели и почему точную дату паритета назвать нельзя, мы разбирали в материале про гонку open source и закрытых LLM.
Важная оговорка. Тезис о превосходстве зарубежных моделей справедлив именно для средней сложности, а не вообще. На простых задачах разрыв не критичен, а в отдельных отраслях локальные решения выигрывают.
Узкие отрасли: где локальный ИИ уже конкурентоспособен
Второй полюс - специализированные задачи. В медицине, металлургии и других отраслях компании собрали узконаправленный ИИ под свои процессы. По оценке автора, такой ИИ может быть на порядок лучше и качественнее зарубежных аналогов. Подчеркну: это утверждение из его выступления, оно не подкреплено независимыми тестами или замерами.
Логика здесь рабочая. Отраслевая модель обучается на узком домене, где данные компании точнее любого универсального датасета, а критерии качества задаёт конкретный производственный процесс. Универсальная зарубежная модель в такой нише часто выдаёт общий ответ, который нельзя применить сразу. Обобщать результат на все сферы не стоит: речь именно об узких отраслях с собственными данными и экспертизой.
Два пути к суверенным моделям: западная и восточная модели развития
Автор выделяет два подхода к тому, как строить вычислительную инфраструктуру под ИИ. Разница в том, кто платит за GPU-кластеры и дата-центры и как распределяются ресурсы между игроками.
Западная модель: частный капитал и круговой обмен ресурсами
В западной модели инфраструктуру тянут крупные компании на частные деньги. Ключевая особенность - круговой обмен ресурсами между несколькими большими игроками: один вкладывается в другого, вычисления закупаются друг у друга, капитал ходит по кругу внутри ограниченного числа компаний. Такой контур позволяет быстро наращивать GPU-кластеры и дата-центры, потому что решения принимаются без длинных согласований.
Ограничения тоже есть. Модель требует зрелого рынка, конкуренции и доступа к глобальным поставкам. Когда эти условия ломаются, круговой обмен не заменяет внешние ресурсы: деньги остаются внутри контура, а ускорители и оборудование приходят извне.
Восточная модель: государственная поддержка бигтеха
Восточная модель строится иначе: государство поддерживает бигтех, а компании работают под национальные цели. Ресурсы концентрируются на приоритетных направлениях, включая вычислительную инфраструктуру, и это позволяет поднимать крупные кластеры и дата-центры там, где частный рынок не даёт нужной скорости.
Риски читаются так же ясно. Приоритеты задаёт государство, и они могут расходиться с потребностями рынка. Конкуренция внутри такого контура слабее, а ошибки в планировании обходятся дороже: исправлять их приходится за счёт тех же централизованных ресурсов. Утверждать, что одна модель лучше другой, нет оснований: обе отвечают разным условиям.
Что это значит для России: выбор и кумулятивный подход
России, по логике автора, предстоит выбрать один из двух путей. Решать задачу он предлагает кумулятивно, всей отраслью, а не силами одной или двух компаний. Одиночный игрок не вытянет ни закупки оборудования в нужном объёме, ни строительство дата-центров, ни подготовку кадров одновременно.
Кумулятивный подход означает разделение ролей: одни строят и эксплуатируют вычислительные мощности, другие готовят данные и модели, третьи отвечают за прикладные продукты и их запуск у заказчиков. Прогнозов без оснований здесь лучше не давать: подтверждённых данных о том, какой путь выбран и с какими сроками, в открытых источниках нет.
Технологический суверенитет в сфере ИИ: что реально нужно для суверенных моделей
Суверенная модель - это не только веса и архитектура. Это способность обучить, дообучить и обслуживать модель внутри своей юрисдикции без внешних согласований на каждом шаге. Без вычислительной инфраструктуры такая способность не появляется.
Инфраструктура для развития ИИ: чек-лист условий
Автор перечисляет пять элементов, к которым сместились ограничения.
- GPU-кластеры: ускорители, объединённые скоростной сетью, для обучения и дообучения моделей.
- Дата-центры: мощность, охлаждение, место и бесперебойное питание под плотные стойки.
- Механизмы закупок оборудования: каналы и процедуры, по которым ускорители и комплектующие попадают в страну.
- Нормативное регулирование: правила, которые ускоряют или тормозят строительство и поставки.
- Технологическая независимость: собственные компоненты, ПО и сервисы, снижающие зависимость от одной юрисдикции.
Каждый пункт сам по себе ничего не решает. Кластер без питания и охлаждения, поставки без правил, собственное ПО без ускорителей дают нулевой результат. Поэтому задачу и называют инфраструктурной, а не алгоритмической.
Роль государства и бизнеса в создании инфраструктуры
Расклад зависит от выбранной модели. В восточной государство поддерживает бигтех и берёт на себя роль заказчика и опоры. В западной нагрузку несёт частный капитал, а государство ограничивается регулированием и общими рамками. В России выбор, по оценке автора, ещё не сделан.
Кумулятивный подход подразумевает усилия всей отрасли: тяжело поднять кластер и дата-центр силами одной компании, если параллельно требуется готовить кадры, вести закупки и развивать прикладные продукты. Категоричных рекомендаций тут нет: у каждого пути свои ограничения, о которых сказано выше.
Что это значит на практике: выводы для разработчиков и бизнеса
Инфраструктурные ограничения отражаются на повседневной работе с ИИ, даже если вы не строите дата-центр. Доступность моделей, их качество, стоимость инференса и правила доступа к внешним API зависят от того, где эти модели обучают и на чём обслуживают.
Как выбирать модели и оборудование с учётом инфраструктурных ограничений
При выборе локальной LLM первым делом стоит посчитать доступные GPU и VRAM. Модель, которую физически не разместить на своём железе или которая даёт неприемлемую скорость, бесполезна в рабочем процессе, как бы хорошо она ни выглядела в описании. Дальше - сценарий: для инференса небольшой квантованной модели хватает домашней видеокарты, для дообучения даже среднего размера нужны другие ресурсы.
Второй фактор - доступность. Если рабочая задача требует качества, которого нет у локальных моделей, разумно держать резервный вариант на внешнем сервисе и не строить процесс, завязанный на одного поставщика. Как корпоративный сегмент переходит на открытые AI-модели и когда такой переход окупается, мы разбирали отдельно.
Третий фактор - регулирование. Правила доступа к GPU и ограничения на поставки влияют на то, какие ускорители вообще можно купить и по какой цене. Как принцип winners take all связан с доступом к GPU и почему развитие ИИ не советуют замедлять, мы разбирали в этом материале.
Где локальный ИИ уже даёт преимущество
Узкие отрасли с собственными данными - самый рабочий сценарий для локальных решений. Примеры из выступления: медицина и металлургия, где компании собрали ИИ под свои процессы и, по оценке автора, получили результат на порядок лучше зарубежных аналогов. Напомню, что это личное мнение автора, а не итог независимых замеров.
Практический ориентир такой: простые бытовые и справочные задачи можно закрывать отечественными продуктами, средние по сложности - внешними моделями, а узкие отраслевые - собственным или отраслевым ИИ на локальной инфраструктуре. GPU и VRAM в домашнем сервере решают вопрос запуска моделей, но не заменяют кластеры и дата-центры, без которых суверенные модели не появятся.
Материал опирается на статью Кирилла Пронина на Хабре и его выступление на IT-форуме РУССОФТ 2026. Это мнение и разбор, а не результат независимых тестов или замеров производительности.