Согласно данным аналитического отчёта «Совкомбанка», на который ссылается Forbes, если китайские разработчики решат прекратить публиковать свои модели искусственного интеллекта в открытом доступе, российская ИИ-отрасль столкнётся с ростом издержек и замедлением прогресса. Для создания конкурентоспособного суверенного ИИ с нуля отечественным компаниям придётся совершить сложный и дорогостоящий «стратегический разворот».
Источник изображений: Igor Omilaev / unsplash.com
Вероятно, по мере укрепления позиций своих ИИ-решений на рынке китайские компании перестанут распространять их как бесплатное ПО с открытым исходным кодом. Сейчас такие гиганты, как DeepSeek и Alibaba, всё ещё придерживаются этой практики, чтобы составить конкуренцию ведущим американским лабораториям. Однако такой подход сдерживает возможности монетизации для китайских разработчиков, и как только их модели привлекут достаточно широкую аудиторию, они могут кардинально изменить свою стратегию. Это крайне негативно скажется на российских разработчиках, которые используют китайские модели как базу, дообучая их и адаптируя под свои нужды.
Ни одна компания в мире пока не получает положительного денежного потока от разработки больших языковых моделей, при этом «Яндекс» по итогам 2026 года вложит в ИИ от 150 до 200 млрд руб., а «Сбер» — от 300 до 400 млрд руб. Если китайские модели станут закрытыми, у российских разработчиков будет три сценария: увеличение расходов из-за необходимости покупать доступ к закрытым системам; потеря пользователей в пользу зарубежных конкурентов; запуск долгосрочной программы строительства дата-центров для ИИ — самый затратный вариант.
В России не отвергают возможность создания собственного суверенного ИИ, но для этого потребуются значительные временные и финансовые ресурсы, поэтому в среднесрочной перспективе отечественные разработчики по-прежнему будут сосредоточены на доработке бесплатных зарубежных систем. Разработка собственного ИИ предполагает многократное увеличение инвестиций в вычислительную инфраструктуру — текущая совокупная мощность российских ЦОД «вероятно, недостаточна для полного цикла обучения больших языковых моделей „с нуля“ в масштабах, сопоставимых с мировыми лидерами». По оценкам экспертов, к 2030 году расходы на серверы для ЦОД достигнут 7,8 трлн руб., из которых 3,4 трлн будут направлены на серверы для ИИ.
Для сопоставления, полный процесс обучения нейросети уровня DeepSeek V4 с последующим устойчивым инференсом нуждается в дата-центре мощностью 300 МВт — стоимость такого центра достигнет 1,2 трлн рублей. С учётом того, что «Яндекс» и «Сбер» вместе ежегодно расходуют 500 млрд рублей на задачи искусственного интеллекта, их вычислительные ресурсы нацелены прежде всего на инференс, а не на обучение. Впрочем, в «Сбере» опровергли столь пессимистичный сценарий. «„ГигаЧат“ — это исключительно наша разработка, обученная на высококачественных русскоязычных данных с учётом культурных особенностей. По ряду качественных и функциональных параметров она находится на уровне или даже обгоняет зарубежные аналоги», — отметили в компании.
«„Яндекс“ на протяжении многих лет создаёт генеративные модели — от собственных фундаментальных до гибридных, которые сочетают наши наработки с открытыми решениями. Мы контролируем весь процесс разработки и не опираемся на внешние технологии», — подчеркнули в российском интернет-гиганте. Однако ранее в «Яндексе» подтвердили, что при обучении модели «Алиса AI» применялась открытая модель Alibaba Qwen. «Полный цикл обучения нашей модели Alice AI LLM, инициализированной весами Qwen3-235B, требует на порядок меньше времени по сравнению с инициализацией случайными весами. Это даёт нам возможность проводить значительно больше экспериментов», — процитировал компанию Forbes.
Сейчас «Сбер» располагает более мощной вычислительной базой, чем «Яндекс», и если возникнут трудности с китайскими моделями, «Сбер» окажется в выигрышной позиции, считают специалисты. Если будет поставлена задача разрабатывать суверенные ИИ-модели с нуля, компании могут объединить свои ресурсы, но это повлечёт за собой «серьёзные организационные и политические препятствия»; маловероятным выглядит и запуск государственной программы с финансированием, превышающим бюджеты частных фирм. Для прогресса отечественной сферы ИИ необходимо отладить механизмы сбора прикладных обучающих данных в разных областях.
Однако на практике в России пока ощущается дефицит дата-центров, а в планах строительства отсутствуют объекты, подходящие для обучения ИИ. Россия пока не способна выпустить модель мирового уровня, отмечают эксперты, но она может создавать локальные специализированные решения. И в долгосрочной перспективе стоит ориентироваться на появление собственных моделей.
