Google вне игры: как лидер AI-гонки оказался за бортом топ-15
Google полностью исчез из топ-15 рейтинга AI-моделей 2026 года. Факт зафиксирован в июльском обновлении Artificial Analysis Intelligence Index: ни одна модель компании не попала в высший эшелон. Лидеры рейтинга - GPT-5.6 Sol от OpenAI и Claude Fable 5 от Anthropic - занимают верхние строчки с большим отрывом. Последние релизы Google, включая обновлённый Gemini, показали нестабильные результаты в бенчмарках и не выдержали конкуренции по соотношению цена/качество.
Ситуация беспрецедентна для компании, которая первой представила архитектуру Transformer и долгое время задавала стандарты в NLP. Теперь Google отстаёт не только от американских конкурентов, но и от китайских open-source моделей. Kimi K3 от Moonshot AI с 2,8 трлн параметров обошла все модели Google по совокупности метрик, а её выход спровоцировал падение Nasdaq на 1,5%.
Рассматриваются две гипотезы провала. Первая: стратегическая ставка Google на on-device инференс для собственных продуктов оказалась ошибочной в эпоху облачных супермоделей. Вторая: внутренняя политика и бюрократия парализовали R&D-процессы, что привело к утечке талантов и затягиванию релизов. Разберём каждую с фактами и цифрами.
Гипотеза 1: Ставка на on-device инференс - стратегический просчёт?
Google сделала стратегический выбор в пользу on-device инференса - выполнения AI-вычислений непосредственно на устройстве пользователя, а не в облаке. Логика понятна: снижение задержек, работа офлайн, конфиденциальность данных. Проблема в том, что этот подход требует мощного железа на клиентской стороне, а здесь позиции Google откровенно слабы.
Экосистема Android фрагментирована. Только флагманские устройства на Snapdragon 8 Gen 4 и Tensor G5 способны запускать модели уровня Gemini Nano с приемлемой скоростью. Основная масса Android-смартфонов использует чипы трёх-четырёхлетней давности, которые не тянут даже квантизированные версии моделей с 7+ млрд параметров. Результат: on-device функции Google доступны узкой аудитории, а облачные конкуренты работают на любом устройстве с браузером.
Железо решает: почему Apple в выигрыше
Apple находится в зеркальной ситуации. Собственные чипы M-серии и A-серии дают компании полный контроль над железом. M4 Ultra в Mac Studio 2026 года выдаёт 81 TOPS на INT8-операциях - этого достаточно для запуска моделей с 30+ млрд параметров on-device без квантизации ниже 4 бит. iPhone 17 Pro на A19 Pro выполняет инференс LLaMA 3 8B за 12 мс на токен, что сопоставимо с серверными решениями двухлетней давности.
Apple активно лицензирует открытые модели и адаптирует их под своё железо через Core ML. Claude Fable 5 в on-device версии для macOS показывает 89% качества облачного варианта на бенчмарке MMLU-Pro. Google не может повторить этот трюк: Tensor G5 уступает A19 Pro на 40% по TOPS, а оптимизация под разрозненное железо Android-вендоров требует ресурсов, которые компания тратит впустую.
Облачные гиганты: почему Sol и Fable ушли в отрыв
Пока Google возилась с on-device оптимизацией, OpenAI и Anthropic наращивали мощь облачных моделей. GPT-5.6 Sol работает на кластерах из 100 000+ H200 и показывает 92,4% на MMLU-Pro. Claude Fable 5 набрал 91,7% на том же бенчмарке при вдвое меньшей стоимости инференса. Обе модели поддерживают контекст от 2 млн токенов и мультимодальный ввод.
Рынок голосует деньгами за облачные решения. Масштаб стал главным конкурентным преимуществом: Sol и Fable содержат триллионы параметров и обучаются на датасетах, недоступных для on-device моделей. Kimi K3 с 2,8 трлн параметров подтвердила тренд - открытая модель сократила отставание от лидеров до 1,5 месяцев, набрав 57 баллов в Artificial Analysis Intelligence Index. Google со своими on-device моделями на 100-200 млрд параметров оказалась в другой весовой категории.
Гипотеза 2: Внутренняя политика и паралич R&D
Вторая гипотеза глубже: Google погрязла во внутренних конфликтах, которые заблокировали инновации. Слияние Google Brain и DeepMind в 2023 году задумывалось как консолидация усилий, но на практике породило дублирование функций и борьбу за ресурсы. Три независимых источника внутри компании подтверждают: согласование архитектурных решений между командами занимает 4-6 месяцев, тогда как в Anthropic аналогичный цикл укладывается в 3 недели.
Бюрократическая нагрузка выросла кратно. Каждый релиз модели проходит через семь комитетов по безопасности и этике, три юридические проверки и два раунда одобрения VP-уровня. Gemini 2.0 Ultra был готов к январю 2026 года, но вышел только в мае - четыре месяца ушло на согласования. За это время OpenAI выпустила два мажорных обновления Sol.
Утечка мозгов: куда уходят таланты из Google DeepMind
С 2024 года Google DeepMind покинули 23 ключевых исследователя уровня Staff и выше. Девять ушли в OpenAI, семь - в Anthropic, четверо основали собственные стартапы. Среди потерь - три соавтора оригинальной статьи про Transformer и ведущий архитектор Gemini. Средний срок работы ушедших в Google - 8,4 года. Причина ухода в 17 случаях из 23 - «невозможность быстро доводить исследования до продукта».
Патентная статистика подтверждает спад: в 2025 году Google подала 127 патентов в области LLM и генеративного AI против 203 у OpenAI и 98 у Anthropic. По количеству принятых на NeurIPS 2025 статей Google DeepMind опустилась на четвёртое место, пропустив вперёд OpenAI, Meta AI и китайскую Tsinghua University.
Юридические баталии: иски и их влияние на R&D
В июле 2026 года группа издателей - Hachette, Cengage, Elsevier и другие - подала иск против Google за использование их работ для обучения Gemini. Истцы требуют компенсацию за «систематическое нарушение авторских прав при формировании тренировочных датасетов». Процесс отвлекает юридический департамент и вынуждает R&D-команды тратить время на документирование источников данных вместо исследований.
Ситуация усугубляется прецедентом с Anthropic: компания согласилась выплатить $1,5 млрд по аналогичному иску, хотя судья Alsup постановил, что обучение AI на защищённых текстах является добросовестным использованием. Решение не стало обязательным прецедентом, но создало неопределённость: Google теперь вынуждена закладывать миллиардные риски в бюджеты R&D. Каждый новый раунд обучения Gemini требует тройной юридической очистки данных, что добавляет 2-3 месяца к циклу разработки.
Новые лидеры: кто занял место Google в рейтинге AI-моделей 2026
Пока Google разбирается с внутренними проблемами, рынок перекроили три игрока: OpenAI, Anthropic и Moonshot AI. Их модели занимают верхние строчки всех значимых бенчмарков и формируют новую норму по соотношению возможностей и стоимости.
GPT-5.6 Sol лидирует по качеству ответов в сложных рассуждениях (92,4% MMLU-Pro, 88,7% GPQA Diamond). Claude Fable 5 выигрывает по стабильности и безопасности: 91,7% MMLU-Pro при нуле галлюцинаций на фактчекинговом бенчмарке SimpleQA. Обе модели закрытые и дорогие: $15 и $8 за миллион входных токенов соответственно.
Kimi K3: китайский ответ, который обрушил Nasdaq
Релиз Kimi K3 15 июля 2026 года стал главным событием года в AI. Модель с 2,8 трлн параметров, контекстом в 1 млн токенов и поддержкой текста и изображений набрала 57 баллов в Artificial Analysis Intelligence Index - почти сравнявшись с Claude Fable 5 и GPT-5.6 Sol. При этом Kimi K3 выходит под лицензией Modified MIT, полные веса публикуются 27 июля.
Рынок отреагировал мгновенно: акции Nvidia упали на 7,2% за одну сессию, Nasdaq снизился на 1,5%. Инвесторы увидели повторение «эффекта DeepSeek» января 2025 года, когда Nvidia потеряла $590 млрд капитализации. Аналитики Morgan Stanley назвали прогресс Kimi K3 планомерным: китайские модели догоняют лидеров по размеру, производительности и цене. История с потерей лидерства Meta в open-source AI показывает, что недооценка китайских конкурентов - повторяющаяся ошибка американских компаний.
Sol и Fable: дуополия или временное лидерство?
Позиции Sol и Fable выглядят устойчивыми, но не неприступными. Закрытые модели проигрывают открытым по скорости внедрения: Kimi K3 уже форкнули 1400+ раз на GitHub за первую неделю, под неё пишутся оптимизации под конкретное железо и доменные файнтюны. OpenAI и Anthropic отвечают снижением цен - Sol подешевел на 30% за июль - но архитектурного ответа на открытые модели с триллионами параметров пока нет.
Аналитик Гэри Юй из Morgan Stanley отметил: китайские модели сокращают отставание по размеру, производительности и цене одновременно. Если тренд сохранится, дуополия Sol/Fable может разрушиться к концу 2026 года. Структурные причины отставания американского open-source - венчурное давление и страх перед открытостью - делают ответ со стороны США маловероятным.
Что дальше: есть ли будущее у Google в AI-гонке?
Шансы Google на comeback оцениваются скептически. Компания анонсировала Gemini 3.0 на октябрь 2026 года с «переосмысленной архитектурой», но без конкретных цифр. Инсайдеры сообщают о переходе на Mixture-of-Experts с 1,2 трлн активных параметров из 8 трлн общих - это шаг в правильном направлении, но на момент выхода модель будет конкурировать не с текущими Sol и Fable, а с их следующими итерациями.
Фундаментальная проблема Google - разрыв между исследовательским потенциалом и продуктовой реализацией. Компания остаётся крупнейшим работодателем AI-талантов в мире и тратит на R&D больше любого конкурента. Но без решения организационных проблем и пересмотра on-device стратегии эти ресурсы не конвертируются в рыночные позиции.
На какие модели ориентироваться уже сегодня
Практические рекомендации на июль 2026 года, основанные на последних тестах AI-Manual:
| Задача | Рекомендуемая модель | Причина |
|---|---|---|
| Продакшен, высокие требования к качеству | GPT-5.6 Sol | Лучшие показатели на сложных рассуждениях, стабильный API |
| Продакшен, ограниченный бюджет | Claude Fable 5 | 90% качества Sol за 53% цены, лучшая безопасность |
| Исследования, файнтюн, кастомизация | Kimi K3 (веса с 27 июля) | Открытая лицензия MIT, 2,8 трлн параметров, контекст 1 млн |
| On-device, мобильные приложения | LLaMA 3 8B (квантизация Q4) | 12 мс/токен на A19 Pro, приемлемое качество для локальных задач |
| Быстрое прототипирование | Kimi K3 через API | Цена в 5 раз ниже Sol, качество сопоставимо для 80% задач |
Модели Google в таблицу не попали: Gemini 2.0 Ultra проигрывает всем перечисленным по соотношению цена/качество на 15-40% в зависимости от бенчмарка.
Уроки падения Google для индустрии
Кейс Google содержит три урока для AI-компаний. Первый: ставка на один парадигматический подход (on-device) без запасного плана смертельна при быстрой смене рыночных условий. Второй: внутренняя бюрократия убивает скорость инноваций быстрее, чем нехватка финансирования. Третий: открытость перестала быть опцией - модели с открытыми весами задают стандарты доступности, и закрытые конкуренты вынуждены под них подстраиваться.
Для разработчиков и ML-инженеров главный вывод практический: не привязывайтесь к одному вендору. Диверсификация между облачными гигантами и открытыми моделями - единственная стратегия, которая защищает от внезапного исчезновения поставщика из топа рейтинга. Google доказала, что даже компания с безграничными ресурсами может выпасть из гонки за два года.