Что изменилось за восемь лет после прогноза Кай-Фу Ли

В 2018 году Кай-Фу Ли выпустил книгу «Сверхдержавы искусственного интеллекта. Китай, Кремниевая долина и новый мировой порядок». Он описывал будущее, в котором США и Китай уходят далеко вперёд, а искусственный интеллект становится новой основой экономического и политического влияния.

Америка обладала сильнейшими исследовательскими лабораториями и создавала технологические прорывы. Китай располагал огромным цифровым рынком, массивами пользовательских данных, жёсткой предпринимательской конкуренцией и государством, готовым быстро внедрять новые технологии. Один полюс изобретал, другой масштабировал.

Спустя восемь лет эта картина одновременно кажется удивительно точной и безнадёжно неполной. США и Китай действительно стали двумя главными центрами искусственного интеллекта, но сама технология изменилась. Вместо преимущественно специализированных алгоритмов появились универсальные фундаментальные модели, способные работать с текстом, кодом, изображениями, голосом и внешними инструментами. Для их создания потребовались гигантские вычислительные кластеры, передовые чипы и всё более заметные объёмы электроэнергии. А данные из побочного продукта цифрового рынка превратились в отдельный стратегический ресурс.

Хорошим символом этого сдвига стал анонс китайской Moonshot AI в июле 2026 года. Компания представила Kimi K3 — мультимодальную MoE-модель с 2,8 трлн параметров и контекстом до миллиона токенов. На 24 июля полные веса ещё не опубликованы: Moonshot обещает выпустить их к 27 июля, поэтому независимая проверка модели только начинается. Но сам масштаб анонса показателен: китайские системы теперь обсуждают не как далёких преследователей, а как часть того же технологического фронтира.

Однако сравнение Kimi, Qwen, Claude, Gemini и GPT показывает только верхушку системы. Под моделями находятся фабрики, чипы, память, электростанции, дата-центры, сети и системы охлаждения. Между инфраструктурой и моделями расположен слой данных: публичные тексты, пользовательские действия, корпоративные документы, промышленная телеметрия, экспертные оценки и синтетический опыт. Над моделями — облака, приложения, роботы, банки, заводы, государственные системы и каналы политического влияния.

Поэтому сегодня происходит не одна AI-гонка, а сразу несколько, и у каждой из них свои лидеры. Кай-Фу Ли довольно точно увидел игроков, но игра изменилась.

Прогноз, который почти сбылся

Кай-Фу Ли писал в другую эпоху искусственного интеллекта. Главными примерами тогда были рекомендательные системы, компьютерное зрение, мобильные платежи, распознавание речи, доставка и беспилотный транспорт. Модель обычно создавалась для конкретной функции: распознать лицо, выбрать рекламу, рассчитать кредитный риск или оптимизировать маршрут.

Китайское преимущество Ли видел не столько в фундаментальных алгоритмах, сколько в способности быстрее превращать их в массовые продукты. Огромный рынок создавал данные, плотная конкуренция заставляла компании постоянно экспериментировать, а государство помогало разворачивать инфраструктуру и масштабировать успешные решения.

В основном этот прогноз сбылся. Американские лаборатории сохранили преимущество в наиболее дорогих исследованиях и чаще первыми демонстрируют новые возможности. Китайские компании научились быстро сокращать отставание, снижать стоимость моделей и внедрять их в собственную цифровую и физическую экономику.

Но в книге почти не было того искусственного интеллекта, который сегодня определяет мировую повестку. Трансформер уже существовал: статья Attention Is All You Need была опубликована в 2017 году. Однако тогда новая архитектура выглядела прежде всего как более эффективный способ решать задачи машинного перевода. Ещё не было видно, что соединение трансформеров, масштабирования, огромных корпусов и вычислительных кластеров приведёт к универсальным языковым моделям.

Кай-Фу Ли не пропустил очевидное. Он столкнулся с обычной проблемой технологического прогноза: самое важное изменение часто уже существует, но выглядит слишком небольшим и специализированным, чтобы перестроить вокруг него картину мира.

От GPT-4 до Kimi K3

В марте 2023 года OpenAI представила GPT-4. Искусственный интеллект начал превращаться из набора отраслевых алгоритмов в универсальный интерфейс к знаниям, программам и профессиональной работе. В тот момент новая эпоха выглядела почти полностью американской: основное соревнование шло между OpenAI, Google DeepMind, Anthropic и Meta. Казалось, что остальному миру предстоит арендовать интеллект у нескольких компаний из Кремниевой долины примерно так же, как он арендует облачные мощности.

Этот период оказался недолгим. В 2024 году Alibaba превратила Qwen из отдельной большой модели в широкое семейство систем разных размеров. Qwen2.5 включала модели от 0,5 до 72 млрд параметров, а также специализированные версии для программирования и математики. Вместо одного универсального двигателя разработчики получили набор компонентов, которые можно запускать локально и адаптировать под конкретные задачи.

В конце того же года DeepSeek выпустила V3 — MoE-модель с 671 млрд общих и 37 млрд активных параметров. По данным компании, полный цикл обучения потребовал около 2,8 млн часов работы Nvidia H800. Именно отсюда появилась знаменитая оценка примерно в 5,6 млн долларов при условной цене два доллара за GPU-час. Эту цифру часто пересказывали как полную стоимость создания модели, хотя она не включала предыдущие исследования, подготовку данных, инфраструктуру, эксперименты и неудачные запуски. Но содержательная часть истории оставалась важной: китайская лаборатория показала, что нехватку вычислений можно частично компенсировать разреженной архитектурой, низкой точностью и инженерной оптимизацией.

Ограничения на доступ к лучшим чипам не остановили китайский AI. Они изменили то, что китайские команды начали оптимизировать.

В январе 2025 года DeepSeek представила R1 — модель рассуждения, обученную на основе DeepSeek-V3. Компания опубликовала веса R1, её базовой версии и нескольких дистиллированных вариантов. R1 не доказала, что большие вычисления больше не нужны, и не означала окончательного китайского паритета с США. Но она разрушила несколько удобных представлений: reasoning оказался не уникальной технологией одной американской лаборатории, сильную модель можно было распространять не только через закрытый API, а многомиллиардные инвестиции перестали выглядеть гарантией долговременной монополии.

После R1 китайский прогресс уже нельзя было объяснить одной удачной разработкой. Qwen, DeepSeek, Kimi, GLM и MiniMax начали формировать плотную модельную экосистему.

К марту 2026 года разрыв по наблюдаемым возможностям почти исчез. Stanford AI Index оценивает преимущество лучшей американской модели над китайской примерно в 2,7%; с начала 2025 года модели двух стран несколько раз менялись местами. Epoch AI предлагает другой взгляд: с 2023 года каждый новый максимум их индекса возможностей сначала достигался американской моделью, а китайские системы выходили на сопоставимый уровень в среднем через семь месяцев. Наблюдаемый разрыв колебался от четырёх до четырнадцати месяцев.

Противоречия здесь нет. Stanford отвечает на вопрос, насколько различаются лучшие модели прямо сейчас, а Epoch — кто первым достиг нового уровня. Китай почти устранил разрыв по видимым возможностям, но американские лаборатории пока чаще первыми прокладывают новую траекторию.

При этом сама идея единой турнирной таблицы становится всё менее содержательной. Одинаковые результаты могут скрывать разную стоимость, скорость, архитектуру, расход памяти и способность надёжно выполнять длинные рабочие процессы. Главные различия между странами находятся уже не в нескольких пунктах бенчмарка, а под моделями и над ними.

Четыре слоя нового AI-порядка

Современный AI-мир можно условно разделить на четыре взаимосвязанных слоя.

1. Физический слой

Чипы, память, производственное оборудование, дата-центры, электросети, генерация, охлаждение, вода, связь и материалы.

2. Слой данных

Публичные тексты и код, пользовательские взаимодействия, корпоративные документы, промышленные датчики, экспертная разметка, симуляции и синтетический опыт.

3. Интеллектуальный слой

Архитектуры, предобучение, дополнительное обучение, модели рассуждения, память, агенты, эффективность и веса моделей.

4. Экономический слой

Облака, приложения, пользовательские интерфейсы, внедрение, обратная связь, стандарты и политическое влияние.

Страна может быть сильна на одном уровне и критически зависима на другом. США контролируют значительную часть ведущих моделей, облаков и цифровых платформ, но зависят от тайваньского производства чипов и нидерландского оборудования. Китай приблизился к модельному фронтиру и располагает огромной цифровой и промышленной экономикой, однако уступает в накопленных вычислительных мощностях и доступе к наиболее передовым ускорителям. Европа контролирует критическую литографию и обладает ценными промышленными данными, но пока не смогла собрать эти преимущества в единую глобальную платформу.

Россия показывает ту же асимметрию в более выраженной форме. У неё есть собственные модели, крупные цифровые платформы, локальные данные и значительная энергетическая и ресурсная база, но ограниченный доступ к современным ускорителям делает основание вычислительного стека зависимым от внешних, всё чаще китайских технологий.

Ни одна страна не контролирует всю систему. Поэтому формирующийся порядок одновременно биполярен и многополярен: США и Китай задают основную динамику моделей, но производство, данные, энергия и каналы внедрения распределены между гораздо большим числом стран.

Физический слой: интеллект начинается с электростанции

Когда AI обсуждают как программную технологию, легко забыть, насколько физической стала эта индустрия. Модель нельзя обучить на абстрактных FLOP: нужны реальные кристаллы, память, кабели, трансформаторы, системы охлаждения и подведённое к конкретному зданию электричество.

Американское преимущество состоит не только в качестве отдельных лабораторий. Пять крупнейших американских гиперскейлеров, по оценке Epoch AI, контролируют большую часть накопленных мощностей ведущих AI-ускорителей. Такая концентрация позволяет проводить не один дорогой запуск, а множество параллельных экспериментов, одновременно обслуживая массовые продукты и готовя следующее поколение моделей.

Google располагает собственными TPU, а Microsoft, Amazon, Meta и другие технологические гиганты способны строить инфраструктуру на десятки миллиардов долларов. Китайская компания может приблизиться к качеству конкретной американской модели, но ей значительно труднее одновременно обучать десятки экспериментальных систем, обслуживать сотни миллионов пользователей и сохранять вычисления для следующего поколения.

При этом американское преимущество не означает американской автономии. Значительная часть передовых AI-чипов производится TSMC, а наиболее сложные мощности компании по-прежнему сосредоточены на Тайване. ASML остаётся единственным поставщиком промышленных EUV-систем, необходимых для производства самых передовых процессоров и памяти. Южная Корея занимает критические позиции в выпуске высокоскоростной памяти, а Япония — в материалах и производственном оборудовании.

Получается система, в которой американские компании проектируют значительную часть лучших ускорителей, Тайвань производит кристаллы, Нидерланды поставляют литографию, Южная Корея — память, а Япония — часть материалов и оборудования. В мире может быть две модельные сверхдержавы, но физические кнопки их инфраструктуры распределены между несколькими странами.

Долгое время главным ограничением считалось количество чипов. Теперь к нему добавляется электричество. По обновлённому прогнозу Международного энергетического агентства, мировое потребление электроэнергии дата-центрами вырастет с 485 ТВт·ч в 2025 году примерно до 950 ТВт·ч в 2030-м. Это около 3% глобального потребления, причём энергопотребление AI-ориентированных центров обработки данных должно вырасти ещё быстрее.

Глобальная сумма, однако, скрывает локальную проблему. Дата-центру нужна не энергия в национальном балансе, а сотни мегаватт в конкретной точке: готовая подстанция, высоковольтные линии, резервирование, охлаждение, вода, связь и разрешения на строительство. Раньше дата-центр подключался к существующей энергосистеме; теперь крупнейшие вычислительные кампусы всё чаще приходится проектировать одновременно с генерацией и сетевой инфраструктурой.

Это возвращает в технологическую географию страны, которые не выпускают лучшие LLM, но располагают энергией, землёй и возможностью быстро строить инфраструктуру. Однако электричество ещё не равно AI-compute. Между электростанцией и работающей моделью находятся ускорители, память, сети, программный стек, капитал и специалисты. Энергетическое преимущество становится реальным только тогда, когда мегаватты удаётся превратить в устойчивые вычислительные кластеры.

Гонка данных: интернет заканчивается не физически, а экономически

Большие языковые модели принято описывать как соединение алгоритмов и вычислений, но между ними находится ещё один ресурс — данные. На первом этапе развития LLM их главным сырьём был открытый интернет: сайты, книги, энциклопедии, форумы, новости, научные публикации и программный код. Масштабирование выглядело относительно прямолинейно: собрать больше текста, очистить мусор и обучить более крупную модель.

Однако запас качественного человеческого текста конечен. Epoch AI оценивает эффективный объём публичного человеческого текста примерно в 300 трлн токенов и предполагает, что при продолжении прежних тенденций ведущие модели могут практически использовать этот запас между 2026 и 2032 годами. Это не означает, что в интернете закончатся слова. Следующие триллионы токенов просто будут всё чаще состоять из повторов, низкокачественных страниц и материалов, которые модели уже видели.

В какой-то момент ещё один проход по интернету приносит меньше пользы, чем улучшение отбора или получение принципиально нового опыта. Главным ресурсом становятся не данные вообще, а данные, которых нет у конкурента.

Книги, сайты, научные статьи и открытый код доступны многим лабораториям. Компании могут по-разному очищать, смешивать и взвешивать эти корпуса, но сами данные редко создают долгосрочную монополию. Кроме того, публичный интернет постепенно заполняется AI-контентом.

Это не означает, что синтетические данные автоматически вредны. Они чрезвычайно полезны в математике, программировании, симуляциях и других задачах, где результат можно проверить. Проблемы возникают при неконтролируемом рекурсивном обучении, когда новые поколения систем заменяют исходные реальные данные текстами предыдущих моделей. В таком режиме модели постепенно теряют редкие части исходного распределения — возникает model collapse. Доступ к человеческим данным и внешнему источнику истины остаётся критически важным.

Синтетический текст сам по себе не создаёт нового знания. Для этого нужен компилятор, математический верификатор, эксперимент, симулятор, физический мир, эксперт или реакция реального пользователя.

Самый ценный обучающий корпус будущего может появляться уже после выпуска модели. Каждый раз, когда пользователь исправляет ответ, принимает или отвергает код, уточняет запрос, останавливает агента или выбирает один из предложенных вариантов, возникает сигнал о том, как модель работает в реальном мире. Поэтому контроль над продуктом одновременно становится контролем над данными следующего поколения.

Компания, у которой есть только модель, видит запрос и ответ. Компания, которая контролирует браузер, офисный пакет, облако, магазин, банк или промышленную систему, может видеть весь цикл: задачу, действие модели, реальный результат и реакцию человека. Так возникает петля, которую значительно труднее скопировать, чем отдельную модель: продукт создаёт данные, данные улучшают модель, а модель перестраивает продукт.

Следующее крупное преимущество может находиться не в интернете, а внутри организаций: в медицинских историях, финансовых операциях, промышленных датчиках, геологических исследованиях, лабораторных экспериментах, логистических маршрутах, чертежах и внутреннем документообороте. Эти данные трудно скопировать. Они защищены законодательством и коммерческой тайной, существуют в локальных форматах и часто плохо оцифрованы.

Поэтому индустриальная страна может уступать в универсальных чатботах, но получить преимущество в специализированном AI. Модель, обученная на данных реальных заводов, роботов, электросетей или медицинских систем, способна решать задачи, для которых просто нет достаточного материала в открытом интернете.

Особенно заметен этот дефицит в робототехнике. Исследование Epoch AI показывает, что доступных вычислений для нынешних моделей манипуляции уже относительно много, тогда как более жёстким ограничением остаются разнообразные данные реального взаимодействия. Можно купить ещё тысячу GPU, но значительно сложнее быстро собрать миллион траекторий робота, который действует с реальными предметами и сталкивается с неожиданными препятствиями.

Часть дефицита можно компенсировать симуляциями. Модели способны создавать математические задачи, программы и тесты, игровые миры, виртуальные лаборатории и траектории роботов. Но ценность такого опыта зависит от проверки. Если программа компилируется, теорема проходит формальный верификатор, виртуальный агент достигает цели, а робот успешно выполняет действие, система получает новый подтверждённый опыт. Если одна нейросеть лишь оценивает правдоподобие текста другой, контур рискует стать самореферентным.

Поэтому следующая фаза может оказаться гонкой не за готовые данные, а за машины производства проверяемого опыта: программные песочницы, симуляторы, роботизированные лаборатории, игровые среды, системы автоматического тестирования и продукты с реальной обратной связью. Самым медленно копируемым слоем AI может оказаться не модель и даже не чип, а история взаимодействий системы с людьми и физическим миром.

Интеллектуальный слой: фронтир против эффективности

На уровне моделей США и Китай придерживаются разных, хотя постепенно сближающихся стратегий. Американские лаборатории чаще первыми демонстрируют новые возможности: более сильную мультимодальность, длинный контекст, масштабирование рассуждений, работу с компьютером и сложные агентные сценарии. Китайские компании быстро приближаются, уделяя больше внимания эффективности, стоимости развёртывания и моделям с открытыми весами.

Большое число параметров при этом всё меньше говорит о реальной экономике модели. Для MoE важнее, сколько параметров активируется при обработке конкретного токена. Для агента — сколько шагов он делает и как часто ошибается. Для компании — сколько стоит не миллион токенов, а выполненная задача.

Дешёвая модель может оказаться дорогой, если ей требуются десятки повторных попыток и постоянная проверка человеком. Дорогая модель может быть экономичнее, если быстрее приходит к работающему результату. Поэтому конкуренция всё чаще будет измеряться не только качеством ответа, но и стоимостью решённой задачи, надёжностью, скоростью, расходом памяти, энергопотреблением и количеством человеческих исправлений.

Отдельной стратегией стали модели с открытыми весами. Они позволяют компании или государству скачать модель, развернуть её в собственном дата-центре, дообучить и не передавать данные внешнему API. Именно поэтому китайские модели с открытыми весами могут иметь большее мировое влияние, чем показывает их положение в рейтингах.

По данным Hugging Face, за 2025 год модели китайских разработчиков получили около 41% загрузок в открытой модельной экосистеме. После выхода DeepSeek-R1 резко выросло и число китайских организаций, регулярно публикующих модели.

Китайской компании необязательно заставлять весь мир пользоваться одним чатботом. Достаточно, чтобы тысячи локальных ассистентов, корпоративных агентов и национальных облаков работали на Qwen, DeepSeek или Kimi. Так возникает новая форма технологического влияния: не продавать всем один продукт, а сделать свои веса основанием для чужих продуктов.

При этом открытые веса не равны полноценному открытому исходному коду. Обычно публикуются сами веса и код запуска, но не обучающие данные, не вся инфраструктура и не полностью воспроизводимый процесс обучения. Пользователь получает контроль над развёртыванием, но не обязательно над происхождением модели.

Экономический слой: модель становится частью системы

По мере сближения качества моделей ценность перемещается на следующий уровень. Важнее становится не только то, какая модель отвечает на запрос, но и к каким данным она подключена, какие инструменты может использовать, где встроена, кто контролирует интерфейс и кто получает обратную связь после её действий.

Именно здесь у США сохраняется огромное преимущество. Microsoft, Google, Amazon, Apple и Meta контролируют облака, офисные приложения, браузеры, операционные системы, социальные сети и инструменты разработки. У Китая есть собственные экосистемы Alibaba, Tencent, ByteDance, Baidu и Huawei, а также крупнейшая промышленная база.

Со временем базовая модель может стать относительно заменяемой деталью. Один продукт будет использовать американскую закрытую модель для наиболее сложных задач, китайскую модель с открытыми весами для массового инференса, локальную компактную систему для приватных данных и специализированную модель для конкретного рабочего процесса. Главным активом окажется не определённый набор весов, а архитектура продукта вокруг них.

Первая волна генеративного AI разворачивалась преимущественно внутри цифровой экономики: в текстах, изображениях, программировании, поиске, офисной работе и обслуживании клиентов. Следующая всё сильнее затрагивает физический мир — роботов, автомобили, производство, энергетику, логистику и лаборатории.

Здесь состав лидеров может измениться. США сильны в облаках, программном обеспечении и профессиональных сервисах. Китай обладает преимуществами в электронике, электромобилях, дронах, промышленном производстве и робототехнике. По данным Stanford AI Index, Китай устанавливает больше промышленных роботов, чем весь остальной мир вместе взятый. Япония, Южная Корея и Германия могут получить новую роль благодаря промышленным компетенциям, оборудованию и данным физической экономики.

Первое место среди чатботов не гарантирует контроля над эпохой AI физического мира.

Остальной мир: владельцы отдельных слоёв

Картина Кай-Фу Ли остаётся биполярной на уровне ведущих моделей, но полный AI-стек уже многополярен.

Европа обладает почти всеми необходимыми компонентами: сильной наукой, промышленностью, крупным рынком, критически важной литографией, суперкомпьютерами, собственными модельными компаниями и ценными отраслевыми данными. К апрелю 2026 года в Европе работали 19 AI Factories и 13 связанных с ними региональных центров доступа. Их задача — соединить вычислительные ресурсы, университеты, стартапы и индустриальные проекты.

Главная европейская проблема заключается не в полном отсутствии компонентов, а в неспособности быстро собрать их в интегрированную платформу. Европа сильна как архипелаг: литография в Нидерландах, модели во Франции, промышленность в Германии, энергетика в Скандинавии и научные центры по всему континенту. Американские и китайские компании чаще действуют как единые системы.

Индии необязательно первой создавать каждую новую архитектуру, чтобы стать одним из главных AI-рынков. У неё есть огромная пользовательская база, сильный IT-сектор, множество языков и государственная цифровая инфраструктура. IndiaAI предоставляет университетам, исследователям, стартапам и компаниям субсидируемый доступ к облачным GPU для разработки собственных моделей и приложений.

Индия может стать крупнейшей лабораторией адаптации: брать американские или китайские базовые модели, локализовывать их и масштабировать на сотни миллионов пользователей.

Южной Корее, Японии и Тайваню необязательно выпускать самый популярный чатбот. Тайвань контролирует критическое производство передовых чипов, Южная Корея — значительную часть высокоскоростной памяти и сильную электронную промышленность, а Япония — материалы, производственное оборудование, автомобили и робототехнику. Японская программа GENIAC уже поддерживает не только фундаментальные модели, но и подготовку промышленных данных и разработку робототехнических foundation-моделей.

Россия занимает промежуточное положение: у неё есть собственные цифровые платформы, русскоязычные и отраслевые данные, значительная энергетическая база и два крупных центра разработки — Яндекс с семейством YandexGPT и Сбер с GigaChat. Это позволяет сохранять контроль над частью массовых и критических продуктов, но ограниченный доступ к современным ускорителям не даёт собрать полноценный независимый AI-стек. В аппаратной инфраструктуре, а со временем, возможно, и в части базовых моделей российская экосистема будет всё сильнее опираться на китайские технологии. Россия здесь не третий глобальный полюс, а пример страны, контролирующей верхние слои системы при зависимости от её физического основания.

Страны Залива могут быстро выделять землю, финансирование и энергетику под крупные вычислительные проекты. Саудовская Аравия расширяет сеть дата-центров и строит инфраструктуру для AI-нагрузок, а ОАЭ развивают национальные облачные и суверенные вычислительные платформы. Их ограничивает зависимость от иностранных чипов, моделей и специалистов, однако они способны стать площадками размещения вычислений и поставщиками AI-инфраструктуры для Ближнего Востока, Африки и Южной Азии.

В новой экономике экспортироваться могут уже не только баррели нефти, но и GPU-часы.

Как перестроится AI-мир

У этой гонки нет финишной черты и единственного победителя. Скорее мир будет постепенно перестраиваться вокруг нескольких новых зависимостей.

Вероятно, продолжат формироваться две главные модельные экосистемы. Американский стек будет опираться на закрытые frontier-модели, Nvidia и собственные ускорители гиперскейлеров, глобальные облака и корпоративные продукты. Китайский — на сильные модели с открытыми и частично открытыми весами, более дешёвое развёртывание, собственные облака, устройства, промышленность и постепенно развивающееся национальное железо.

Полного разделения не произойдёт: цепочки поставок, научные публикации и исследовательские идеи слишком взаимосвязаны. Но компаниям и государствам всё чаще придётся решать, от какой инфраструктуры они готовы зависеть.

На уровне моделей мир может оставаться биполярным, а на уровне инфраструктуры — многополярным. Тайвань будет влиять через производство, Нидерланды — через литографию, Южная Корея — через память, Япония — через материалы и оборудование, Европа — через промышленность и регулирование, Индия — через масштаб локализации, а энергетические страны — через размещение вычислительных мощностей.

Это не делает мир менее зависимым. Напротив, AI может одновременно усилить взаимозависимость и желание государств построить технологический суверенитет.

Сам суверенитет при этом станет относительным. Даже США зависят от иностранных фабрик, оборудования и глобальных специалистов. Европа обучает собственные модели на американских ускорителях. Страны Залива строят национальные облака из импортных компонентов. Региональные державы используют собственные данные и продукты, но нередко опираются на чужие базовые модели или железо.

Поэтому правильный вопрос звучит не так: есть ли у страны технологический суверенитет? Гораздо содержательнее спросить, какие слои она контролирует и какие зависимости считает приемлемыми.

Открытые веса станут инструментом внешнего влияния. Американский API предлагает высокое качество и удобство, а китайская открытая модель — возможность установить систему внутри собственной инфраструктуры, сохранить данные и изменить её под местные задачи. Для многих компаний и государств второй вариант может оказаться политически и экономически привлекательнее, даже если модель немного уступает абсолютному фронтиру.

Ценность будет постепенно смещаться от отдельных моделей к циклам обучения. Наиболее сильной окажется не обязательно система с лучшей моделью в данный момент, а та, которая умеет замкнуть контур: продукт создаёт взаимодействия, взаимодействия становятся данными, данные улучшают модель, а модель перестраивает продукт.

Именно этот цикл сложнее всего купить или скопировать. Чип можно заказать, открытые веса — скачать, электростанцию — построить. Историю миллионов реальных действий, ошибок и исправлений нельзя импортировать одним контрактом.

Наконец, AI вернёт географию в цифровую экономику. Облачные технологии долго создавали ощущение, что вычисления существуют где-то вне физического мира. AI возвращает ограничения расстояния, климата, воды, электросетей и промышленного производства. Дата-центры будут появляться там, где возможно соединить доступное электричество, устойчивую сеть, охлаждение, землю, связь, поставки оборудования и политическую предсказуемость. Карта цифровой экономики начнёт всё сильнее накладываться на карту энергетики и промышленности.

Эта карта тоже устареет

В 2018 году Кай-Фу Ли довольно точно увидел двух главных участников будущего AI-порядка. Он разглядел американское преимущество в исследованиях, китайское преимущество в масштабе внедрения и превращение искусственного интеллекта в новую форму экономической власти.

Но он описывал тот AI, который был виден в его время: рекомендательные системы, компьютерное зрение, мобильные платежи, автономный транспорт и специализированные алгоритмы. Трансформер уже существовал, однако ещё не было понятно, что эта архитектура станет основой универсальных моделей, способных писать программы, пользоваться инструментами, создавать изображения и претендовать на роль нового интерфейса к знаниям и работе.

Кай-Фу Ли не пропустил очевидное. Самое важное изменение уже зародилось, но выглядело слишком маленьким, чтобы перестроить вокруг него картину мира.

Вероятно, та же проблема есть и у нашего разбора. Сегодня мы видим чипы, электростанции, дата-центры, публичные и закрытые данные, открытые веса, агентов, роботов и две крупнейшие модельные экосистемы. Из этих элементов можно собрать несколько правдоподобных сценариев на ближайшие годы, но все они остаются продолжением уже наблюдаемых линий.

Мы предполагаем, что модели будут становиться крупнее или эффективнее, Китай продолжит сокращать отставание, США сохранят преимущество в вычислениях, данные станут более закрытыми, а энергия — более дефицитной. Всё это вполне может произойти и одновременно оказаться второстепенным на фоне сдвига, которого мы пока не замечаем.

Им может стать новая архитектура, радикально уменьшающая потребность в вычислениях, или новый тип памяти и обучения, позволяющий моделям непрерывно накапливать опыт. Массовое появление автономных агентов, прорыв в робототехнике, дешёвые специализированные чипы и автоматизированные научные лаборатории способны изменить сегодняшнюю расстановку сил быстрее, чем государства и компании успеют приспособиться.

Наконец, может резко снизиться сама энергетическая стоимость вычислений. Сегодня мы рассуждаем об AI исходя из того, что каждый новый скачок требует всё более крупных кластеров, электростанций и систем охлаждения. Но новые материалы, архитектуры процессоров, способы хранения и передачи данных или методы вычислений могут позволить получать тот же результат с долей нынешних затрат энергии. Энергия на одну AI-задачу уже снижается благодаря росту эффективности, хотя увеличение числа пользователей и более сложные агентные сценарии пока перекрывают этот выигрыш.

Тогда сегодняшняя карта преимуществ — доступ к газу, атомной генерации, гигантским дата-центрам и миллионам GPU — изменится значительно быстрее, чем успеют окупиться уже строящиеся инфраструктурные проекты. Или перелом принесёт технология, для которой у нас пока даже нет подходящего названия.

Не все показатели AI развиваются по строгой математической экспоненте. Но скорость изменений достаточно велика, чтобы разумный прогноз быстро превращался в описание вчерашнего дня. Поэтому этот текст — не окончательная карта нового мирового порядка, а снимок сил, которые видны летом 2026 года.

На нём США контролируют значительную часть вычислительного и продуктового стека, Китай сокращает модельный разрыв и распространяет открытые альтернативы, а Тайвань, Нидерланды, Южная Корея и Япония удерживают критические участки полупроводниковой цепочки. Энергетические страны пытаются превратить электричество в вычислительное влияние, а остальные государства решают, какие части системы они способны контролировать самостоятельно.

Но где-то на краю этой карты почти наверняка уже находится новое белое пятно. Возможно, через восемь лет наши сегодняшние споры о параметрах моделей, GPU-кластерах и запасах обучающих данных будут выглядеть так же, как сейчас выглядят прогнозы эпохи до ChatGPT: разумными, содержательными и построенными вокруг технологии, которая вскоре перестала быть главным центром происходящего.

Кай-Фу Ли довольно хорошо предсказал участников нового мирового порядка, но не мог предсказать технологию, которая полностью изменит правила их взаимодействия. Мы, скорее всего, тоже не можем. И это самый надёжный из всех наших прогнозов.