Китай системно обгоняет США и остальной мир по количеству выпускаемых фундаментальных AI-моделей. Это не гипотеза, а констатация факта, подкреплённая динамикой регистрации патентов, числом публикаций на топовых конференциях и частотой релизов от десятков местных лабораторий. Суммарный выпуск китайских моделей превышает аналогичный показатель США и всех остальных стран вместе взятых.
Парадокс в том, что это происходит на фоне трёхкратного отставания по инвестициям: за 2013–2024 годы частные и государственные расходы США на ИИ составили около 800 млрд долларов, Китая - более 250 млрд. Количество профильных компаний в США - 6 956, в Китае - 1 605. Меньше денег, меньше компаний, но больше моделей. Разберём факторы, превратившие ресурсный дефицит в катализатор скорости.
Китай vs США: реальный разрыв в количестве фундаментальных AI-моделей
Под фундаментальной моделью понимается крупная нейросеть, обученная на массивных датасетах и способная решать широкий спектр задач без узкой специализации. Именно такие модели определяют технологический ландшафт: GPT, Claude, DeepSeek, Kimi, Qwen.
Точное число действующих фундаментальных моделей - величина плавающая, но есть чёткие прокси-метрики. Китай лидирует по количеству патентов в области генеративного ИИ: по данным ВОИС, китайские заявители подали более 38 000 патентных заявок в этой сфере за последнее десятилетие, что кратно превышает показатели США. На конференции NeurIPS 2024 китайские исследователи стали авторами более 30% принятых работ, а по числу релизов моделей с открытыми весами на платформах Hugging Face и ModelScope Китай стабильно удерживает первую позицию с 2023 года.
Динамика не менее показательна. Если в 2022 году американские лаборатории выпускали одну значимую модель в несколько месяцев, то китайский календарь релизов в 2025–2026 годах - это еженедельные анонсы. Модель Kimi K3 от Moonshot AI с 2.8 трлн параметров вышла вскоре после DeepSeek V4, а параллельно с ними свои версии представили минимум пять менее известных, но конкурентоспособных команд. Суммарный выпуск Китая действительно превышает выпуск США и остального мира - это подтверждается статистикой регистрации моделей в государственном реестре КНР, который с 2023 года зафиксировал более 200 фундаментальных моделей от китайских разработчиков.
Экспортные ограничения как катализатор: почему санкции ускорили разработку
Октябрь 2022 года: Министерство торговли США вводит первый пакет экспортных ограничений, запрещающий поставки в Китай передовых GPU - A100 и H100 от NVIDIA. Октябрь 2023: ограничения ужесточаются, под запрет попадают даже урезанные версии A800 и H800. Логика простая: лишить китайские лаборатории аппаратной базы для обучения крупных моделей.
Эффект оказался обратным. Запрет сработал как триггер национальной мобилизации. Китайские компании, лишённые доступа к самому производительному железу, форсировали два процесса: развитие собственных чипов и пересборку самого подхода к разработке моделей. Число AI-лабораторий и стартапов после введения санкций не сократилось, а выросло - с примерно 800 в 2022 году до более чем 1 600 к середине 2026.
Как дефицит GPU переформатировал ландшафт: ставка на множество мелких игроков
Американская модель разработки фундаментального ИИ построена на концентрации: несколько гигантов аккумулируют десятки тысяч GPU в одном дата-центре и тренируют монструозные модели с триллионами параметров. OpenAI, Anthropic, Google действуют именно так. Это капиталоёмкий путь, где входной билет стоит миллиарды долларов.
Китай пошёл по принципиально иной траектории. Вместо трёх-четырёх сверхкрупных игроков здесь сформировалась экосистема из десятков средних и мелких лабораторий, каждая из которых располагает ограниченным, но достаточным парком GPU. Распределённые вычисления между кластерами, аренда облачных мощностей у Alibaba Cloud и Huawei Cloud, совместное использование инфраструктуры - эти практики стали стандартом.
Результат: конкуренция сместилась с плоскости «у кого больше GPU» в плоскость «кто эффективнее использует доступное железо». Лаборатория с 2 000 ускорителей Huawei Ascend 910B может выпустить модель, сопоставимую по качеству с продуктом американского конкурента, использовавшего вчетверо больше ресурсов. Плотность релизов растёт именно за счёт этой распределённой структуры: пока один игрок ждёт очереди к кластеру, десять других уже запускают обучение на своих мощностях.
Альтернативные вычислительные ресурсы: китайские чипы и кластеры
Основа китайской аппаратной независимости - три линейки чипов. Huawei Ascend 910B и новый 910C обеспечивают производительность, сопоставимую с NVIDIA A100, хотя и уступают H100 по пропускной способности памяти. Biren Technology со своими BR100 и BR104 закрывает нишу высокопроизводительных вычислений для тренировки моделей. Cambricon фокусируется на инференсе, предлагая чипы с экстремально низким энергопотреблением.
Государственные и частные вычислительные кластеры строятся опережающими темпами. Национальный суперкомпьютерный центр в Тяньцзине, кластеры в Шанхае и Шэньчжэне, облачная инфраструктура Alibaba Cloud с сотнями тысяч Ascend-ускорителей - совокупная мощность этих ресурсов, по оценкам аналитиков, к середине 2026 года превысила 40% от аналогичного показателя американских дата-центров, ориентированных на ИИ-нагрузки. Разрыв с США сокращается быстрее, чем прогнозировалось до введения санкций.
Оптимизация моделей под доступное железо: техники и результаты
Китайские лаборатории довели до совершенства набор методов, позволяющих выжимать максимум из ограниченного железа. Дистилляция - обучение компактной модели на выходных данных крупной - стала стандартным этапом production-пайплайна. Квантование до 4 бит и ниже снижает требования к памяти GPU в разы при минимальной потере точности. Pruning - обрезка незначимых весов - сокращает вычислительные затраты на инференс на 30–50%.
Архитектурный выбор также сместился в сторону Mixture of Experts (MoE). Модели с MoE-архитектурой активируют лишь часть параметров для каждого запроса, радикально снижая вычислительную нагрузку. Kimi K3 с 2.8 трлн параметров использует именно MoE, и её результаты на бенчмарках - прямое доказательство эффективности подхода: модель выигрывает у GPT-5.6 Sol по 11 из 14 тестов, работая на менее производительном оборудовании. DeepSeek V4 демонстрирует аналогичную картину: конкурентоспособное качество при стоимости инференса в 5–10 раз ниже западных аналогов.
Рыночные стимулы: внутренний спрос, господдержка и низкая маржа
Внутренний рынок Китая генерирует колоссальный спрос на AI-модели. Промышленность внедряет компьютерное зрение и предиктивную аналитику, госсектор требует систем мониторинга и обработки естественного языка, потребительские сервисы - от WeChat до Douyin - интегрируют генеративные функции для сотен миллионов пользователей. Этот спрос не теоретический, а платёжеспособный: компании готовы платить за модели здесь и сейчас.
Западные вендоры - OpenAI, Anthropic - ориентируются на высокую маржинальность. Их бизнес-модели предполагают значительную премию за доступ к передовым моделям. Китайские разработчики работают в противоположной парадигме: низкая маржа компенсируется объёмом. Модель выпускается быстро, монетизируется через API с минимальной наценкой и сразу окупается за счёт масштаба внутреннего рынка. Требования к прибыли на единицу продукта кратно ниже, что позволяет запускать релизы непрерывно, не дожидаясь идеального качества.
Господдержка и национальные AI-стратегии: масштаб и влияние
Государственная программа «План развития искусственного интеллекта нового поколения» действует с 2017 года и задаёт конкретные KPI: достижение мирового лидерства к 2030 году. Объём государственных расходов на ИИ за 2013–2024 годы составил 133 млрд долларов - меньше, чем 328 млрд у США, но структура расходов принципиально иная.
Китайские государственные инвестиции сконцентрированы на создании инфраструктуры: вычислительные кластеры, исследовательские центры при университетах, субсидии на электроэнергию для дата-центров. Американские 328 млрд в значительной степени распределены через оборонные контракты и гранты, не всегда напрямую связанные с выпуском гражданских моделей. Эффективность китайского подхода - в фокусе на коммерциализацию: каждый юань господдержки привязан к конкретному KPI по выпуску моделей и их внедрению в промышленность.
Стимулирование коммерциализации работает через систему грантов, где финансирование получают проекты с чётким планом вывода модели на рынок в течение 12–18 месяцев. Это создаёт конвейер: лаборатория получает грант, выпускает модель, выходит на самоокупаемость через API, освобождая бюджет для следующей волны стартапов.
Инвестиции и компании: парадокс меньших расходов при большем выпуске
Цифры выглядят как противоречие: частные расходы США на ИИ - 471 млрд долларов, Китая - 119 млрд. Количество компаний, получивших инвестиции: США - 6 956, Китай - 1 605. Но при четырёхкратном отставании по числу профинансированных компаний и трёхкратном по частным расходам Китай выпускает больше моделей.
Разгадка в структуре затрат. Американские лаборатории тратят львиную долю бюджетов на зарплаты исследователей мирового уровня и закупку передовых GPU по рыночным ценам. Китайская экосистема оперирует в других условиях: стоимость труда ML-инженера в Шэньчжэне или Ханчжоу в 2–3 раза ниже, чем в Кремниевой долине, а собственные чипы обходятся дешевле импортных аналогов даже с учётом их меньшей производительности.
Стратегия «количество вместо качества» на начальном этапе также сыграла роль. Китайские лаборатории сознательно шли на выпуск моделей, уступающих западным аналогам по отдельным метрикам, но закрывающих конкретные ниши внутреннего рынка. Быстрый прототип, немедленное внедрение, итеративное улучшение - этот цикл повторяется десятки раз параллельно, создавая статистическое преимущество по числу релизов. К 2026 году качество догнало количество: прямые сравнения Kimi K3 с Claude Fable 5 и GPT-5.6-Sol показывают паритет, а по ряду бенчмарков - превосходство.
Дистилляция и обвинения в копировании: отделяем факты от политики
Дистилляция - стандартный метод машинного обучения, при котором небольшая «ученическая» модель обучается на выходных данных крупной «учительской». Этот подход используется повсеместно: американские компании применяют его для создания облегчённых версий собственных моделей, европейские исследователи публикуют работы по дистилляции на топовых конференциях.
18 июля 2026 года помощник министра иностранных дел КНР Лю Бинь на Всемирной конференции по ИИ в Шанхае прямо заявил: дистилляция - общепринятая практика, а обвинения в копировании технологий не имеют под собой доказательной базы. Показательно, что параллельно Китай проводит консультации с технологическими компаниями о возможных ограничениях доступа к китайским моделям из-за рубежа - это сообщило агентство Reuters. Ситуация зеркальна: обе стороны рассматривают модели другой стороны как стратегический ресурс.
Факт остаётся фактом: ни одно обвинение в незаконном копировании не было подтверждено независимой технической экспертизой. Сходство в качестве моделей объясняется общим прогрессом методов обучения и архитектур, а не кражей интеллектуальной собственности.
Практические выводы: чему можно научиться у китайского AI-бума
Китайский опыт содержит конкретные уроки для команд любого масштаба. Первое: распределённые команды с ограниченными ресурсами могут конкурировать с гигантами, если выстроены процессы быстрого прототипирования. Цикл «гипотеза - обучение - тест - релиз», сжатый до нескольких недель, даёт преимущество перед многомесячными циклами крупных лабораторий.
Второе: оптимизация под доступное железо - не вынужденная мера, а конкурентное преимущество. Модели, обученные с применением дистилляции, квантования и MoE-архитектур, не только дешевле в инференсе, но и быстрее доходят до пользователя. Стартапам и исследовательским группам выгоднее вложиться в эффективность обучения, чем гнаться за объёмом GPU.
Третье: низкая маржа при высоком объёме работает. Монетизация через API с минимальной наценкой, ориентированная на массовый внутренний рынок, обеспечивает быструю окупаемость и реинвестирование в следующие модели. Этот подход масштабируем и не требует миллиардных раундов финансирования.
Четвёртое: государственная поддержка эффективна, когда привязана к конкретным KPI по выпуску и внедрению. Гранты с жёсткими сроками коммерциализации создают конвейер моделей, а не финансируют бесконечные исследования. Для компаний, работающих в юрисдикциях с государственными AI-программами, это сигнал: выстраивайте процессы под быстрый вывод продукта, а не под многолетние исследовательские циклы.
Китайский AI-бум - не временная аномалия, а результат системного пересбора процессов разработки в условиях ресурсных ограничений. Скорость, эффективность и ориентация на рынок оказались важнее объёма инвестиций и доступа к самому мощному железу.