"Успех" с запретом иностранного ИИ будет ещё круче, чем запрет Телеги
"Успех" с запретом иностранного ИИ будет ещё круче, чем запрет Телеги. Часть первая
Сейчас более подробно объясню, что имел в виду своим ранним постом. А то многие не вполне понимают, какого масштаба задачу придется решить. Потому что реальный, полноценный ИИ это не Яндекс AI , и не какая-то Алиса, и не какой-нибудь, прости Господи, Гигачат. Чтобы создать полноценный ИИ уровня ChatGPT или DeepSeek, нужны не одна программа или технология, а целая цепочка компетенций от энергетики до микроэлектроники и фундаментальной науки.
Первое вычислительные мощности. Современные большие языковые модели обучаются на тысячах специализированных GPU или ускорителей. Для обучения модели уровня GPT-4 требуется десятки тысяч GPU-класса A100/H100 или аналогичных ускорителей, объединённых в дата-центры. Это не бытовые серверы, а суперкомпьютерные кластеры с высокоскоростными сетями, специализированной памятью и сложной системой охлаждения. Мало у кого есть такие мощности в достаточном количестве.
Второе энергия. Один крупный AI-кластер может потреблять десятки мегаватт, а крупнейшие центры сотни мегаватт. Для сравнения, это уровень небольшого города или крупного завода. Важна не только генерация, но и стабильность сети, потому что обучение модели длится неделями и требует непрерывной работы. Поэтому страны, которые активно развивают ИИ, одновременно строят новые дата-центры и энергомощности. Это означает, что надо много дешевой энергии. Поскольку у нас уже Китай не хочет покупать энергию из-за высокой стоимости, то перспективы успеха представить нетрудно.
Третье полупроводники. Без собственных или доступных чипов создать полноценный ИИ почти невозможно. Ключевые чипы сейчас делают считанные компании: NVIDIA, AMD, Google, Huawei и ряд других. Производство таких чипов требует технологического уровня 5-7 нм и ниже, что доступно ограниченному числу фабрик в мире. Если страна (то есть мы) не имеет доступа к этим технологиям, ей приходится либо покупать готовые ускорители, либо разрабатывать свои, что занимает годы и требует огромных вложений. Если не выйдет ещё какое-то Роснано, куда ухнули десятки миллиардов с нулевым выходом.
Четвёртое данные. Большие модели обучаются на огромных массивах текстов, кода, изображений и других данных. Нужны не просто большие объёмы, а разнообразные и качественные данные, плюс инфраструктура для их хранения и обработки. Кроме того, для современных моделей важна дообучающая стадия с участием людей-экспертов, что требует большого числа специалистов и хорошо организованных команд.
Пятое научная школа и команды разработчиков. Создание крупных моделей это не только инженерная задача. Нужны специалисты по машинному обучению, математике, распределённым системам, компиляторам, обработке языка, архитектуре нейросетей. Ведущие модели создаются командами в сотни и тысячи человек, и такие команды формируются годами. Даже при наличии денег быстро воспроизвести эту экосистему трудно.
Шестое программная экосистема. Большие модели опираются на сложные фреймворки, библиотеки, оптимизаторы, инструменты распределённых вычислений. Значительная часть этих инструментов создавалась коллективными усилиями. Если доступ к ним ограничен, приходится писать свои аналоги, изобретая велосипед. Поэтому страны, которые хотят собственный ИИ, должны развивать не только модель, но и всю программную платформу.
Седьмое экономика. Обучение крупной модели может стоить сотни миллионов долларов, а поддержка инфраструктуры ещё больше. Поэтому полноценные системы сейчас создают либо крупнейшие корпорации, либо государства с очень большими ресурсами. Даже в Европе нет ни одной своей модели ИИ уровня GPT или DeepSeek, потому что это дорого и сложно. А что есть у нас? То, что есть, мы видим - отставание на порядки.
Вторая часть тут.