Читать книгу Нейросети. Выстрой свою систему из 5 уровней автоматизации - Тимур Казанцев - Страница 8

Представьте, что вы просыпаетесь однажды утром и обнаруживаете, что привычные сервисы просто… не загружаются.

Не работает банковское приложение.

Такси показывает «ошибка сервера».

Даже ваша любимая нейронка выдаёт лишь одно сообщение:

«Недостаточно вычислительных мощностей. Повторите запрос позже».

Не произошло ни кибератаки, ни глобальной войны. Просто несколько дата-центров отключили от сети – регион не выдержал пикового спроса на электроэнергию.

И вдруг становится видно то, что обычно скрыто: мир, в котором ИИ берёт на себя 40–70% задач, держится не на «магии ChatGPT», а на очень конкретных вещах – проводах, трансформаторах, электростанциях, фабриках чипов и десятках гектаров залитых бетоном залов с ревущими серверными стойками.

ИИ – это не приложение в телефоне. Это новая энергетическая и геополитическая инфраструктура.

И мы с вами живём как раз в момент её сборки.

Что вы узнаете из этой главы

В этой главе мы:

• разложим индустрию ИИ по уровням – от электроэнергии до пользователя;

• разберём, почему электричество и видеокарты становятся новой нефтью;

• посмотрим, как США через контроль чипов и моделей формируют новое мироустройство;

• обсудим, почему спрос на электроэнергию дата-центров уже сегодня растёт двузначными темпами и может более чем удвоиться к 2030 году;

• наметим альтернативные сценарии – в том числе путь стран с сильной атомной энергетикой и распределёнными вычислениями, по аналогии с биткоином;

• свяжем всё это с простой мыслью: в мире, где идёт война за мощности, ваша личная компетенция – как работать с ИИ и строить свои системы – становится новым видом личного капитала.

Почему вообще важно понимать инфраструктуру ИИ

Большинство людей видят только верхушку айсберга: чат с моделью, красивый интерфейс, удобное приложение.

Кажется, что всё, что нужно – «уметь правильно задавать вопросы».

Но в реальности:

• крупные модели стоят десятки-сотни миллионов долларов на обучение[2];

• дата-центры уже потребляют около 415 ТВт·ч в год – примерно 1,5% мировой электроэнергии, и эта цифра растёт примерно на 12% в год[3];

• только в США дата-центры уже вышли на 4–5% потребления всей электроэнергии страны и могут подняться до 7–12% к концу десятилетия[4];

• международные отчёты предсказывают, что спрос на электричество для дата-центров и ИИ может удвоиться или больше к 2030 году[5].

Это значит, что ИИ – не просто про «умные ответы», а про то, кто контролирует энергетику, чипы и инфраструктуру, и как обычный человек вписывается в эту картину.

Если вы поймёте, как устроена эта пирамида, вам будет проще:

• трезво оценивать новости про ИИ и не вестись на хайп;

• понимать, где настоящие точки роста и денег;

• объяснять заказчикам/клиентам, за что они платят, когда «покупают ИИ»;

• видеть риски и возможности на горизонте 5–10 лет.

Пятиуровневая пирамида инфраструктуры ИИ

Я предлагаю смотреть на индустрию ИИ как на пятиуровневую пирамиду.

Снизу вверх:

1. Электроэнергия

2. Видеокарты (GPU), чипы и дата-центры

3. Модели (LLM и другие)

4. Приложения

5. Пользователи

Если смотреть на новости про ИИ только с пользовательского уровня, может показаться, что вся эта пирамида строится ради удобного чата и красивых картинок.

На самом деле крупные игроки вкладывают миллиарды долларов не только ради того, чтобы вам было проще переписать письмо.

Ставка делается в том числе на гонку к более общим и мощным системам – вплоть до уровней, которые в публичной дискуссии называют AGI (общий искусственный интеллект сравнимый с возможностями человеческого разума) или супер-интеллектом (значительно превосходящим человеческий разум).

Каждый новый процент точности модели, каждый шаг в сторону более устойчивого «понимания» мира опирается:

• на дополнительные мегаватты электроэнергии;

• на всё более плотные кластеры GPU и специализированных чипов;

• на растущие дата-центры и сложную сетевую инфраструктуру.

Снаружи это выглядит как очередное обновление нейросети.

Внутри – как стратегическая игра государств и корпораций за контроль над энергетикой, вычислениями и данными, которые могут привести их ближе к системам уровня AGI.

Но здесь есть важный разворот для читателя этой книги.

Для вас принципиально не то, “кто именно первым добежит до AGI”, а то, где вы находитесь в этой пирамиде:

• вы просто пользователь красивого приложения;

• вы человек, который понимает, на каких слоях всё это стоит;

• или вы тот, кто учится строить свои продукты и системы поверх этой инфраструктуры – так, чтобы не оказаться заложником одной кнопки, одного провайдера и одного сценария будущего.

Эта глава – про то, как увидеть в новостях про «чипы», «дата-центры», «энергетический кризис из-за ИИ» не абстрактный фон, а карту сил, на которой вам ещё жить и работать.

А разговор про AGI здесь нужен только для одного: показать, что гонка за «будущим сверх-интеллектом» уже сегодня меняет физическую и политическую реальность, в которой вы делаете бизнес, строите карьеру и принимаете решения.

При обсуждениях нейросетей и ИИ, мы привыкли начинать сверху пирамиды – с пользователя. Но чтобы понять, откуда берётся ценность и за что идёт борьба, начнём, наоборот, снизу.

Уровень 1. Электроэнергия – фундамент всего

ИИ – это в первую очередь про электроэнергию.

Каждый ваш запрос к нейросети – это не просто строка текста. Это:

• тысячи-миллионы операций на графических процессорах;

• серверы, которые нужно питать и охлаждать;

• сети, которые нужно поддерживать.

По оценкам международных энергетических агентств:

• в 2024 году дата-центры глобально потребляли 415 ТВт·ч в год[6],

• это примерно электропотребление крупной развитой страны,

• к 2030 году потребление может удвоиться и более, приближаясь к 900–1000 ТВт·ч, что сопоставимо с потреблением целых регионов мира.

Ключевой парадокс:

ИИ продаётся как «цифровая магия», но за кулисами – это очень материальная история про мегаватты, кабели, бетон, территорию и воду для охлаждения.

Отсюда несколько выводов:

• Страны с дешёвой и устойчивой генерацией (гидро, атом, геотермальная) получают стратегическое преимущество[7].

• Регионы с дефицитом энергии будут вынуждены ограничивать развитие ИИ-инфраструктуры или импортировать мощности.

• Крупные ИИ-компании уже заключают прямые контракты на поставку энергии и даже инвестируют в собственные энергетические проекты, включая атомную генерацию и SMR (малые модульные реакторы).

По сути, электричество становится тем, чем нефть была в XX веке – базой любой технологической гонки.

Уровень 2. Видеокарты и дата-центры – новые нефтяные вышки

Если электричество – это «нефть», то GPU и дата-центры – это нефтяные вышки и НПЗ.

Сегодня рынок дата-центровых GPU растёт двузначными темпами, оценивается в сотни миллиардов долларов, и к 2030 году может практически удвоиться[8].

При этом на рынке специализированных чипов для ИИ (GPU, ускорители) доминирует NVIDIA, контролируя более 90% сегмента дата-центровых GPU в ключевых отчётах по 2024–2025 годам[9]. На этом фоне неудивительно, что NVIDIA недавно стала крупнейшей компанией в мире по рыночной капитализации, превысив отметку в 5 трлн долларов и обогнав предыдущих лидеров, вроде Apple и Microsoft.

Что это означает:

• Любая крупная компания, которая хочет обучать и запускать свои модели, оказывается в очереди за чипами.

• Пропускная способность этой «очереди» определяется не только деньгами, но и политикой экспортного контроля США и их союзников[10].

• NVIDIA фактически стала инфраструктурной компанией нового типа: она не продаёт конечный продукт пользователю, но контролирует критически важный слой – тот, через который проходит всё остальное.

Спрос настолько велик, что:

• компании строят целые дата-центровые кластеры под ИИ-сервера;

• капитальные затраты на ИТ-инфраструктуру (серверы, сети, системы хранения) занимают более 70–80% расходов на новые дата-центры[11];

• любая задержка в поставке GPU может стоить компаниям миллионы долларов упущенной выручки.

Война за GPU – это уже не метафора, а ежедневная реальность: топ-менеджеры договариваются о партиях чипов, как раньше договаривались о доступе к месторождениям.

Уровень 3. Модели (LLM) – мозг этой системы

На третьем уровне находятся модели – те самые большие языковые модели (LLM – large language models) вроде ChatGPT или Claude, Gemini, DeepSeek, QWEN, а также модели для работы с изображениями (которые “видят” и генерируют картинки и видео: Midjourney, Sora, VEO, Kling, NanoBanana и др), модели для звука (распознавание и синтез речи, музыка: ElevenLabs, Suno, и др) и мультимодальные модели, которые одновременно воспринимают и комбинируют текст, изображение, звук и иногда видео.

Чтобы обучить одну фронтирную модель:

• нужны тысячи GPU, работающих недели или месяцы;

• общий бюджет на обучение может превышать десятки-сотни миллионов долларов (учитывая железо, энергию, инженеров, инфраструктуру).

Но самое важное:

Модель – это кристаллизованное знание мира плюс стоимость всех вычислений, которые в неё вложены.

Отсюда вытекают ключевые черты:

• У единиц игроков есть ресурсы, чтобы строить модели мирового уровня (США, Китай, Россия, несколько крупных компаний).

• Остальные становятся пользователями моделей через API или используют открытые/местные варианты.

• Доступ к самым мощным моделям оказывается завязан на те самые GPU, электричество и политические решения наверху пирамиды.

Это похоже на ситуацию, когда определённое число стран контролирует производство самолётов, а все остальные покупают у них билеты.

Уровень 4. Приложения – интерфейсы к мозгу

Четвёртый уровень – это всё, что видит обычный человек:

• чат-боты, ассистенты, GPT-приложения;

• сервисы для маркетинга, дизайна, программирования, образования;

• голосовые помощники, аватары, системы поддержки клиентов.

Здесь происходит настоящее разнообразие и креатив:

• одни делают узкие решения под юристов, врачей, маркетологов;

• другие – системы, которые автоматизируют целые бизнес-процессы;

• третьи – инструменты для творчества и развлечения.

Но важно понимать: ни одно приложение не живёт само по себе.

Оно опирается:

• либо на API крупных моделей (OpenAI, Anthropic, Google, QWEN, локальные провайдеры);

• либо на самостоятельный развёрнутый стек (открытые модели + свои сервера).

Отсюда главный риск для разработчиков приложений:

«Ты строишь бизнес на чужой платформе. Если платформа поднимет цены или ограничит доступ – твой бизнес может исчезнуть за ночь».

И наоборот – отсюда же рождаются возможности:

Если ты понимаешь, как устроена инфраструктура, ты можешь проектировать такие приложения и системы, которые масштабируются, не убивая тебе маржу:

• заранее закладывать работу не с одной моделью, а с несколькими провайдерами;

• разделять “тяжёлые” задачи, которые действительно требуют дорогих мощных моделей, и “рутинные”, которые можно гонять через более простые и дешёвые решения;

• продумывать, что можно кэшировать, переиспользовать и считать локально, а не каждый раз оплачивать полный цикл обработки;

• строить ценовую модель продукта так, чтобы рост числа пользователей не превращал каждый новый запрос в удар по вашему же кошельку.

В результате вы делаете не красивую игрушку на модной нейросети, а систему, которая выдерживает и рост нагрузки, и изменения тарифов, и очередной виток гонки за мощностями.

Уровень 5. Пользователь – вершина и одновременно топливо

На вершине – мы с вами:

• предприниматели, специалисты, фрилансеры, студенты;

• компании, которые внедряют ИИ в процессы;

• государства, которые перестраивают сервисы, налоговые системы, образование.

По данным Всемирного экономического форума, уже сейчас около 34% бизнес-задач в среднем выполняется машинами, а оставшиеся 66% – людьми[12]

2

https://epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models

3

https://www.spglobal.com/commodity-insights/en/news-research/latest-news/electric-power/041025-global-data-center-power-demand-to-double-by-2030-on-ai-surge-iea

4

https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers

5

https://www.thetimes.co.uk/article/ai-forecast-to-fuel-doubling-in-data-centre-electricity-demand-by-2030-htd2zf7nx

6

https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

7

Например, Бутан: при населении меньше миллиона человек страна уже построила порядка 3 000 МВт гидромощностей и по оценкам может довести потенциал до 33 000 МВт. Избыток дешёвой “зелёной” электроэнергии государственный фонд Druk Holdings and Investments использует для развития дата-центров и майнинга: с 2019 года он намайнел более 13 000 BTC, причём крипто-проекты уже дают до четверти ВВП и опираются на текущие и планируемые мощности в сотни мегаватт. На этой же базе Бутан разворачивает специальный регион Gelephu Mindfulness City площадью около 2 500 км² – будущий хаб чистых технологий, цифровых активов и ИИ-инфраструктуры, а также прорабатывает проект крупного дата-центра стоимостью около 450 млн долларов.

8

https://www.stratviewresearch.com/4148/data-center-gpu-market.html

9

https://www.cnbc.com/2025/11/25/nvidia-says-its-gpus-are-a-generation-ahead-of-googles-ai-chips.html

10

https://cset.georgetown.edu/article/bis-2023-update-explainer/

11

https://iot-analytics.com/data-center-infrastructure-market/

12

https://www.weforum.org/publications/the-future-of-jobs-report-2023/digest/