ИИ в России: прагматичная стратегия вместо гонки с гигантами В недавнем посте мы разобрали подходы США, Китая и Европы к развитию ИИ. Теперь пришло время перейти к ситуации в России. Сразу предупрежу: разговор будет не быстрый… Это серия заметок и размышлений, которыми я хочу с вами поделиться. И начнем с вопроса: может ли Россия тягаться с американскими и китайскими лидерами в создании универсальных ИИ-моделей? Мой ответ: вряд ли. Стоп! Не стоит меня сразу проклинать. Я скорее про то, что нашей стране нужен иной, более прагматичный путь. Ниже мой анализ причин и возможных стратегий. Почему нам не догнать США и Китай в гонке LLM? Начнём с объективных ограничений. Разработка больших языковых моделей (LLM) с нуля требует колоссальных ресурсов. У России таких мощностей сейчас нет — и дело не только в финансах. Во-первых, проблема в аппаратных ограничениях. После 2022 года поставки передовых чипов (GPU) в Россию практически остановились. NVIDIA и TSMC прекратили прямые продажи, а «серый» импорт даёт лишь капли в море. По оценкам, Сберу удалось собрать около 9 тыс. GPU, тогда как одна только Microsoft в 2024 году закупила почти 500 тыс. GPU. Разница на порядок — отсюда и пропасть в возможностях обучения моделей. Во-вторых, американские и китайские игроки располагают гигантскими дата-центрами, готовыми обучать модели с сотнями миллиардов параметров. России сложно конкурировать: даже крупнейшие наши экосистемы (Сбер, Яндекс) не имеют сопоставимой облачной инфраструктуры. Недаром в самом Сбере признают, что Россия отстаёт от США и Китая и вместо строительства «супер-ЦОДов» делает ставку на точечную работу с моделями. В-третьих, для обучения ИИ нужны огромные корпуса данных. Глобальные модели питаются всем многообразием интернета, научных статей, кода. У России же и языковой барьер, и ограниченный доступ к международным данным. Наша доля в открытых датасетах мала. Ограниченность данных, особенно в узкоспециализированных нишах на русском, затрудняет обучение конкурентной LLM с нуля. Ну и вишенкой на торте добавим к этому отток мозгов (десятки тысяч айтишников уехали после 2022 года), и картина стала ясна: строить «русский GPT-5» в лоб невозможно. Чипов нет, кластеров мало, лучшие кадры зачастую вне страны. Но это не повод ставить крест на отечественном ИИ — просто гонку за универсальными моделями стоит сменить на более узкий и выигрышный забег.