На пороге сверхразума. Как ИИ изменит работу, обучение и общество

Вычислительная мощность: двигатель эпохи экспоненциального роста

Вычислительная мощность является физической основой этой трансформации. Наша потребность в вычислительной мощности, похоже, не знает пределов. По прогнозам McKinsey, к 2030 году только инвестиции в инфраструктуру вычислительной мощности, связанную с ИИ, достигнут поразительной суммы в 5,2 трлн долларов США (McKinsey, 2025). За этой цифрой скрывается глубокая взаимосвязь: более мощные модели ИИ требуют более масштабных вычислительных кластеров; в свою очередь, каждый скачок в вычислительной мощности делает возможными ранее невообразимые масштабы и сложность моделей, что приводит к появлению более мощного ИИ, который, в свою очередь, еще больше стимулирует спрос на вычислительную мощность. Это самоускоряющийся цикл.

Основной движущей силой этого цикла являются инновации в области специализированного оборудования. Возьмём, к примеру, компанию NVIDIA: её графические процессоры (GPU), разработанные специально для задач искусственного интеллекта, стали «золотым стандартом» в отрасли. Каждое новое поколение архитектуры приносит значительное повышение производительности и эффективности. В то же время TPU от Google, Trainium и Inferentia от Amazon, а также ASIC, разработанные многими стартапами, оптимизируют вычисления в области ИИ по разным параметрам. Такая острая конкуренция на аппаратном уровне обеспечивает устойчивый рост вычислительной мощности. Кривая затрат на вычислительную мощность в значительной степени определяет скорость распространения возможностей ИИ. Несмотря на высокую стоимость обучения передовых моделей, облачные платформы, предоставляя вычислительную мощность в виде «услуг», позволяют даже небольшим командам и исследователям проводить инновационные эксперименты. Вычислительная мощность — это и барьер, и ступенька.

Данные: от топлива до катализатора интеллекта

В эпоху ИИ данные — это не просто входные данные, а ключевой катализатор, формирующий сам интеллект. Мы уже вступили в этап «высококачественных данных», на котором большее внимание уделяется их качеству, разнообразию и релевантности.

Эффект «маховика данных» — ключевая модель для понимания ценности данных. Продукт или услуга, имеющая больше пользователей, способна собирать больше реальных данных; эти данные используются для оптимизации моделей ИИ, что, в свою очередь, обеспечивает лучший пользовательский опыт; улучшенный опыт, в свою очередь, привлекает ещё больше пользователей, формируя замкнутый цикл. Поисковая система Google, алгоритмы рекомендаций ByteDance, сбор данных для автопилота Tesla — всё это классические примеры этой модели. Как только этот маховик начинает вращаться, он формирует мощный конкурентный барьер.

Что ещё более важно, мы разрабатываем методы более эффективного использования данных. Технологии синтеза данных позволяют нам с помощью алгоритмов генерировать высокореалистичные обучающие данные с идеальной аннотацией, что значительно снимает ограничения в таких областях, как медицина и финансы, где данные являются дефицитными или конфиденциальными. В то же время прорывы в таких технологиях, как самообучение и обучение без учителя, позволяют ИИ учиться непосредственно на огромных объёмах неаннотированных данных, что значительно снижает зависимость от ручной аннотации. Данные больше не являются просто пассивно потребляемым ресурсом, а превращаются в интеллектуальный капитал, который можно активно генерировать и приумножать с помощью технологических средств.

Капитал: невидимая рука, формирующая структуру рынка

Капитал — это усилитель и руль в системе ускорения. Прогноз Goldman Sachs о росте ВВП на 7 триллионов долларов привлек внимание мирового капитала (Goldman Sachs, 2023). Сила капитала выходит далеко за рамки простого предоставления финансирования. Посредством стратегических инвестиций и слияний и поглощений он ускоряет интеграцию технологий и их итеративное совершенствование. Например, инвестиции Microsoft в OpenAI в размере нескольких десятков миллиардов долларов не только обеспечили компании вычислительные ресурсы, необходимые для исследований в области масштабных моделей, но и позволили Microsoft глубоко интегрировать передовые возможности ИИ в свою обширную экосистему продуктов, что обеспечило ей выгодное положение в конкурентной борьбе.

Движение капитала перекраивает ландшафт всей отрасли. Оно обостряет борьбу за таланты, что приводит к дальнейшей концентрации кадровых ресурсов в крупнейших компаниях с мощным финансовым потенциалом. В то же время капитал способствует появлению новых платформ. Компании, способные контролировать ключевую инфраструктуру ИИ (такую как облачные вычислительные ресурсы, платформы данных, платформы «модель как услуга»), становятся новыми «стражами»: они устанавливают стандарты, влияют на экосистему и захватывают большую часть стоимости в производственной цепочке. Стремление капитала к прибыли объективно способствует концентрации и платформизации ИИ-возможностей, но также вызывает опасения по поводу рыночной монополии и снижения инновационного потенциала.

Каналы распространения: мгновенный скачок из лаборатории в мир

Какой бы мощной ни была технология, если она не находит широкого применения, её потенциал не может раскрыться в полной мере. Эффективные каналы распространения являются ключом к тому, чтобы возможности ИИ перешли из нескольких лабораторий в руки миллиардов пользователей по всему миру.

Облачные платформы являются основной артерией распространения ИИ. AWS, Azure и Google Cloud не только предоставляют гибкие вычислительные ресурсы, но и предлагают полный набор инструментов — от хранения данных и обучения моделей до их развертывания. Разработчики могут интегрировать самые передовые модели ИИ в свои приложения с помощью простых вызовов API. Такая модель «ИИ как услуга» (AIaaS) значительно снижает порог входа в инновационную сферу и сокращает затраты.

Сообщества открытого исходного кода и экономика API составляют сеть капилляров этого распространения. Такие платформы, как Hugging Face, хранят сотни тысяч предварительно обученных моделей и наборов данных, став центрами сотрудничества разработчиков ИИ по всему миру. Любой исследователь может создавать инновации, опираясь на достижения предшественников. В то же время такие компании, как OpenAI, предоставляя мощные API, позволяют разработчикам вызывать сложные модели, поддерживаемые десятками тысяч графических процессоров, так же просто, как вызов одной функции. Такая модель позволяет легко встраивать возможности ИИ в любой веб-сайт, приложение или рабочий процесс, а скорость и масштаб их распространения не имеют аналогов среди технологий прошлого.

Композитный эффект: рецепт экспоненциального роста

Эти четыре ускорителя не работают изолированно — между ними существует глубокая синергия и мультипликативный эффект. Больший капитал позволяет приобрести больше вычислительной мощности, что, в свою очередь, дает возможность обрабатывать данные в более крупных масштабах и обучать более мощные модели; эти модели через эффективные каналы распространения достигают большего числа пользователей, генерируя коммерческую ценность, что, в свою очередь, привлекает еще больше капитала. Это спираль положительной обратной связи, которая постоянно ускоряется и усиливается.

Эту систему можно представить как биологическую экосистему. Вычислительная мощность — это земля и солнечный свет, данные — вода и питательные вещества, капитал — гормоны, стимулирующие рост, а каналы распространения — нейронная сеть, связывающая всё воедино. В этой экосистеме в полной мере проявляется «эффект Матфея», согласно которому сильные становятся ещё сильнее. Субъекты, обладающие наибольшими вычислительными мощностями, данными, капиталом и самыми широкими каналами распространения, способны быстрее внедрять инновации и проводить итеративные вычисления, что позволяет им ещё больше укрепить своё лидирующее положение. Логика такого комбинированного прироста объясняет, почему прогресс в области ИИ демонстрирует нелинейные, экспоненциальные характеристики, а также предвещает, что в будущем конкуренция будет носить всеобъемлющий характер и будет вестись за способности всей экосистемы.

2. «Узкие места»: энергетика, цепочки поставок микросхем и кадры

Путь развития сверхинтеллекта не является ровным — он ограничен рядом серьезных физических ограничений и структурных узких мест, которые мы называем «узкими местами» (Chokepoints). Эти узкие места подобны мечу Дамокла, висящему над высокоскоростным двигателем ИИ: сбой в любом из звеньев может привести к резкому замедлению или даже остановке всей системы. Среди них энергия, цепочки поставок микросхем и кадры являются тремя наиболее критическими и уязвимыми звеньями. Вместе они образуют «невозможный треугольник» развития ИИ: нам практически невозможно одновременно обладать неограниченными запасами энергии, неограниченным количеством микросхем и неисчерпаемым запасом талантов.

Энергия: жесткие ограничения физического мира

Суть ИИ заключается в вычислениях, а суть вычислений — в преобразовании энергии. Мы используем огромные объемы электроэнергии, чтобы упорядочить хаотичное расположение атомов кремния в упорядоченные логические вентили, имитирующие интеллект. Энергетические затраты этого процесса просто ошеломляют. Согласно анализу Goldman Sachs, к 2030 году спрос на электроэнергию в центрах обработки данных, как ожидается, вырастет на 160 %, причем на долю ИИ придется подавляющая часть этого прироста. В этом отчете даже прямо указывается, что главным препятствием для развития ИИ в США могут стать не микросхемы, а электроэнергия (Goldman Sachs, 2025). По мере того как масштаб моделей будет достигать уровня в триллионы параметров и выше, их энергопотребление станет физическим ограничением, которого будет невозможно избежать.

Проблема энергетики — это не только вопрос затрат, но и вопрос геополитики и устойчивого развития. Мировая энергетическая система переживает период бурных преобразований, и цены на энергоносители, безопасность поставок и стабильность энергосетей сталкиваются с огромными вызовами. Уязвимость отрасли искусственного интеллекта, в значительной степени зависящей от централизованных энергосетей, становится очевидной в условиях экстремальных погодных явлений, геополитических конфликтов или резких изменений в энергетической политике. Технологические гиганты, стремясь обеспечить себе доступ к дешевой и стабильной электроэнергии, ведут по всему миру яростную гонку за приобретением земельных участков и энергетических ресурсов и даже начинают напрямую инвестировать в передовые энергетические технологии, такие как термоядерный синтез. Способность добывать и управлять энергоресурсами становится новым измерением конкуренции между гигантами ИИ. Любая компания, неспособная гарантировать своим вычислительным кластерам постоянное, экологически чистое и недорогое энергоснабжение, будет вытеснена из гонки в долгосрочной перспективе.

Цепочка поставок микросхем: арена геополитических игр

Если энергия — это кровь ИИ, то микросхемы — его нейроны. В частности, высокотехнологичные микросхемы, используемые в ИИ, являются стратегическим плато всего цифрового мира. Однако цепочка поставок этой крайне важной отрасли чрезвычайно уязвима и имеет форму «песочных часов» с высокой степенью концентрации. Более 90 % самых передовых логических микросхем в мире производит одна компания — TSMC. А экстремально-ультрафиолетовые литографические системы (EUV), необходимые для производства этих микросхем, находятся в исключительной монополии голландской компании ASML. Такая крайняя технологическая и географическая концентрация приводит к тому, что судьба мировой индустрии ИИ находится в руках нескольких участников.

Эта структурная уязвимость превратила ее в центр геополитических игр. Ограничения США на экспорт микросхем в Китай вызвали во всем мире беспокойство по поводу «суверенитета в области микросхем» и гонку вооружений. Китай вкладывает огромные средства, стремясь обеспечить автономность и контроль над цепочкой производства полупроводников; США, Европа и Япония также принимают меры стимулирования, пытаясь восстановить собственные мощности по производству микросхем. «Война за микросхемы» уже переросла из торговых трений в длительную технологическую борьбу, от которой зависит будущее стран. Для любой страны или компании чрезмерная зависимость от единственного источника поставок микросхем равносильна тому, чтобы отдать свою судьбу в чужие руки.

Кадры: глобальная конкуренция за интеллектуальный капитал

В гонке за ИИ решающим фактором в конечном итоге являются люди. Выдающиеся исследователи, способные продвигать технологические рубежи; опытные инженеры, способные создавать и расширять сложные системы ИИ; а также лидеры, способные проникать в суть коммерческих и социальных потребностей и разрабатывать эффективные стратегии, — все они являются наиболее дефицитным ресурсом в мировом масштабе. Борьба за этот интеллектуальный капитал превратилась в глобальную войну без выстрелов.

Миграция талантов обусловлена множеством факторов. Высокая заработная плата, передовые исследовательские проекты и достаточные вычислительные ресурсы являются основными составляющими. В этом отношении технологические гиганты, такие как Google, Meta и OpenAI, обладают огромным преимуществом. Однако миграция талантов — это не чисто экономическое явление. Система образования страны, культура научных исследований, инновационная экосистема, уровень социальной инклюзивности и даже визовая и иммиграционная политика — все это оказывает глубокое влияние на привлекательность страны для глобальных талантов.

Сегодня, на фоне обострения геополитической напряжённости, свободное перемещение талантов сталкивается со всё большим сопротивлением. Правительства разных стран привлекают таланты с помощью различных программ и устанавливают барьеры для перемещения специалистов в ключевых областях. Эта тенденция может привести к фрагментации глобальной инновационной экосистемы в области ИИ и формированию нескольких относительно закрытых кругов специалистов и технологических стеков. Для любой организации, стремящейся сохранить конкурентоспособность в эпоху ИИ, ключевым фактором успеха станет способность создать устойчивый канал привлечения талантов — способный как привлекать лучшие умы со всего мира, так и массово готовить новые кадры на местном уровне. Инновационный потенциал любой организации, неспособной эффективно участвовать в глобальной конкуренции и сотрудничестве в сфере интеллектуального капитала, в конечном итоге иссякнет.

Развитие технологий — это не экспоненциальный взрыв в вакууме, а глубокая взаимосвязь со сложной системой, тесно переплетенной с реальным миром. Игнорировать эти «узкие места» — все равно что мчаться на гоночном автомобиле по неизвестной трассе без тормозов.

3. Рост с эффектом сложного процента и сетевым эффектом: механический результат, при котором сильные становятся ещё сильнее

В сфере искусственного интеллекта становится всё более очевидной одна из ключевых динамических закономерностей: рост сам по себе приводит к ещё большему росту. Речь идёт не о простом линейном накоплении, а о накоплении по принципу сложных процентов, то есть об экспоненциальном росте. В то же время экосистема ИИ демонстрирует мощный сетевой эффект, позволяющий лидерам создавать всё более непреодолимые защитные барьеры. Сочетание этих двух сил приводит к механическому результату, когда «сильные становятся ещё сильнее». Понимание этого механизма имеет решающее значение для того, чтобы ясно представить себе будущую конкурентную картину в сфере ИИ.

Логика сложного процента в росте: «эффект снежного кома» в возможностях ИИ

Сложные проценты, которые Эйнштейн назвал «восьмым чудом света», суть которых заключается в том, что доход сам по себе становится основной суммой для следующего раунда инвестиций, что обеспечивает экспоненциальный рост. В сфере ИИ эта логика проявляется в повторяющихся вычислениях. Организация инвестирует средства в разработку модели ИИ первого поколения. Как только эта модель начнёт применяться, она начнёт создавать ценность и собирать ещё больше данных. Эта вновь полученная ценность и данные составляют «проценты» для следующего раунда исследований и разработок, которые можно реинвестировать в разработку более мощной модели второго поколения. Этот процесс повторяется снова и снова: каждый новый цикл строится на сумме всего накопленного ранее, образуя цикл положительной обратной связи, подобный катящемуся снежному кому.

Скорость качения этого «снежного кома» «композиционного роста возможностей» значительно превосходит темпы традиционных отраслей. Причина заключается в том, что модели ИИ сами по себе обладают определенной универсальностью. Например, знания, усвоенные базовой моделью, обученной пониманию естественного языка, могут быть перенесены на решение самых разных последующих задач. Это означает, что результаты одного прорыва в возможностях базовой модели могут быть умножены и монетизированы в нескольких бизнес-направлениях. Такая особенность экономии от масштаба обеспечивает инвестициям в базовые возможности ИИ чрезвычайно высокую доходность, что, в свою очередь, еще больше стимулирует лидеров рынка вкладывать больше ресурсов в этот «двигатель сложного процента возможностей».

Развитие технологий автономного вождения компании Tesla является прекрасным примером этой логики. Каждый автомобиль Tesla, движущийся по дороге, представляет собой терминал сбора данных; собранные им данные о дорожных ситуациях непрерывно передаются в облако и используются для обучения и совершенствования алгоритмов автономного вождения. Каждое усовершенствование алгоритма передается всему автопарку посредством обновлений OTA, повышая качество вождения и безопасность. Это, в свою очередь, привлекает больше потребителей к покупке, что приводит к дальнейшему расширению сети сбора данных. В этом замкнутом цикле размер автопарка, возможности алгоритмов и пользовательский опыт образуют мощный «маховик» сложного роста.

Сетевой эффект: закон роста ценности с увеличением числа пользователей

Сетевой эффект означает, что ценность продукта или услуги растет по мере увеличения числа пользователей. В эпоху искусственного интеллекта сетевой эффект проявляется в различных формах и значительно усиливается.

Во-первых, это «сетевой эффект данных». Чем больше людей используют тот или иной продукт ИИ, тем «умнее» он становится; чем умнее он становится, тем больше людей он привлекает. Это классическая модель, характерная для таких областей, как поисковые системы и системы рекомендаций.

Во-вторых, это «сетевой эффект экосистемы». Когда платформа ИИ или базовая модель привлекает большое количество разработчиков, создающих на её основе приложения, формируется мощная экосистема. Чем больше разработчиков, тем богаче выбор приложений, что, в свою очередь, привлекает ещё больше конечных пользователей. Рост числа конечных пользователей, в свою очередь, стимулирует присоединение к платформе новых разработчиков. Этот сетевой эффект двустороннего рынка позволяет ведущим ИИ-платформам удерживать разработчиков и пользователей, формируя де-факто технический стандарт. Как только экосистема сформирована, новичкам, даже обладающим технически несколько более совершенными моделями, крайне сложно пошатнуть ее позиции.

И, наконец, «сетевой эффект талантов». Лучшие специалисты стремятся работать с самыми талантливыми людьми. Поэтому компании, уже собравшие «команду мечты» в сфере ИИ, обладают естественной притягательностью для других ведущих специалистов со всего мира. Такое скопление талантов само по себе создает мощный сетевой эффект, который ускоряет внутренний обмен знаниями, столкновение идей и инновации, что, в свою очередь, еще больше укрепляет технологическое лидерство компании.

Результаты механизации: концентрация и дифференциация

Совместное действие эффекта сложного процента и сетевого эффекта неизбежно привело к концентрации рынка в сфере искусственного интеллекта. Немногие гиганты, обладающие самым мощным капиталом, наибольшими вычислительными мощностями, самыми обширными массивами данных и самыми широкими каналами распространения, занимают всё более доминирующее положение в этой гонке. Они способны проводить долгосрочные и высокорисковые исследования базовых моделей, а также нести огромные затраты на энергию и вычислительные мощности. Эта тенденция к «платформизации» и «концентрации» становится одной из наиболее заметных экономических характеристик эпохи ИИ.

Такая концентрация также создает серьезные вызовы. Она может сдерживать конкуренцию и инновации, поскольку стартапам становится все труднее соперничать с гигантами на уровне инфраструктуры. Она также вызывает опасения по поводу конфиденциальности данных, предвзятости алгоритмов и информационных «пузырей», поскольку алгоритмы нескольких компаний оказывают глубокое влияние на то, как миллиарды людей получают информацию и принимают решения. Кроме того, такая экономическая концентрация превращается в геополитическую силу. Влияние решений этих транснациональных технологических гигантов порой превосходит влияние суверенных государств.

Таким образом, мы наблюдаем все более поляризованный мир. С одной стороны — несколько «супергигантов», которые благодаря эффекту сложного процента и сетевым преимуществам значительно опережают остальных; с другой — огромное количество последователей, участников нишевых рынков и пассивных потребителей. Как найти своё место в этой всё более концентрированной структуре, как использовать (а не противостоять) экосистему гигантов, как с помощью открытого сотрудничества уравновесить риски чрезмерной концентрации — вот стратегические вопросы, над которыми должны задуматься все остальные участники. Ведь в этом мире, где сильные становятся ещё сильнее, плыть по течению означает оказаться на обочине.

Подробное объяснение ключевых принципов

На основе анализа ускорителей и «узких мест» мы сформулировали 10 ключевых принципов. Это системная концептуальная модель, призванная помочь вам ориентироваться в динамичной и сложной среде искусственного интеллекта.

Принцип 1: Управление реальностью с помощью четырёх карт: вычислительные мощности, данные, капитал и каналы распространения (Manage reality with four maps: compute, data, capital, and distribution channels.)

Что это такое: рассматривайте четыре основных ускорителя развития ИИ — вычислительные мощности, данные, капитал и каналы распространения — как четыре независимые, но взаимосвязанные «стратегические карты». Управление реальностью означает постоянное и динамичное отображение и анализ вашего положения, а также положения ваших конкурентов на этих четырёх картах, с учётом ваших преимуществ и недостатков. Почему это важно: Оценка по одному единственному критерию опасна. Организация может иметь преимущество в области данных, но при этом находиться в зависимости от других в плане вычислительной мощности.

Только благодаря многомерному и системному подходу мы можем всесторонне оценить собственную конкурентоспособность, выявить потенциальные возможности и скрытые риски. Эти четыре карты в совокупности определяют «геостратегическую» картину эпохи ИИ. Как применять: создайте динамическую панель показателей для каждого акселератора. Карта вычислительных мощностей: отслеживайте общий объем ваших вычислительных мощностей, коэффициент их использования, удельную стоимость вычислительных мощностей и конфигурацию оборудования. Карта данных: количественно оцените объем, качество, разнообразие и стоимость получения ваших основных наборов данных. Карта капитала: определите свой целевой бюджет на ИИ, период окупаемости инвестиций и источники финансирования. Карта каналов распространения: проанализируйте пути доступа ваших ИИ-возможностей к пользователям, объем использования API и стоимость привлечения пользователей. Регулярно сравнивайте эти четыре карты с показателями ваших основных конкурентов, чтобы выявить разрывы и асимметричные преимущества, которые можно использовать.