Ресурсы для обучения ИИ

аналитик Виктория Совгирь

Крупные модели ИИ сегодня воспринимаются не только как инструмент повышения производительности и инноваций, но и как стратегический ресурс, способный повлиять на экономическое и политическое устройство мира. Их обучение связано с большими затратами на вычислительные мощности, электроэнергию и данные, а также с необходимостью решать вопросы регулирования и безопасности. Это делает проблему распределения ресурсов между бизнесом и государством особенно актуальной: первые видят в ИИ источник новых рынков и прибыли, вторые — средство укрепления национальной безопасности и глобального лидерства. При стремительном увеличении затрат становится ясно, что дальнейшее развитие ИИ будет определяться тем, каким образом удастся согласовать интересы бизнеса, государства и альтернативных источников финансирования.

Масштабы и стоимость обучения моделей

Технология обучения моделей основана на анализе огромных массивов данных, что требует высокопроизводительных микропроцессоров и специализированных ускорителей. Если еще в 2020 году обучение GPT-3 на базе облачной инфраструктуры Microsoft оценивалось в несколько миллионов долларов, то уже GPT-4, по независимым оценкам, обошелся OpenAI в десятки миллионов, а некоторые эксперты называют цифры порядка $63 млн только за финальный обучающий прогон. При этом Google, создавая Gemini Ultra, по расчетам исследовательских групп, мог потратить от $260 млн до $2 млрд лишь на аппаратную часть. Стоимость разработки растет столь стремительно, что отдельные ученые прогнозируют: если нынешние темпы сохранятся, то к середине 2030-х годов обучение одной модели может потребовать ресурсов, сопоставимых с годовыми расходами целой экономики США.

Кроме прямых денежных затрат, важную роль играет ограниченность аппаратных и энергетических ресурсов. Производство современных чипов практически монополизировано несколькими компаниями, а выпуск ускорителей NVIDIA, которые составляют до 70% мирового рынка серверных решений для ИИ, ограничен возможностями тайваньских фабрик. Даже если спрос будет стимулировать рост мощностей, глобальные цепочки поставок уязвимы к сбоям, что показал дефицит микрочипов во время пандемии. Не менее остро стоит и энергетический вопрос: обучение GPT-3 можно сравнить с десятками трансатлантических перелетов. Для GPT-4 и более поздних моделей это значение было еще выше, что усиливает дискуссию о влиянии на климат и устойчивость инфраструктуры.

При этом растет и стоимость хранения и обработки данных. Современные языковые модели обучаются на массивах, сопоставимых с большей частью публичного интернета. Однако есть опасение, что запас качественного человеческого текста для обучения скоро будет исчерпан, и это способно затормозить дальнейшее повышение уровня моделей. Более того, включение в обучающие выборки синтетического контента, созданного предыдущими ИИ, грозит деградацией качества новых систем.

Роль бизнеса в финансировании и развитии ИИ

Частный сектор стал главным двигателем развития больших языковых моделей и генеративного ИИ. Именно бизнес первым взял на себя риски колоссальных вложений в инфраструктуру, облачные сервисы и исследовательские команды, рассчитывая на будущую окупаемость. По сути, модель финансирования ИИ сегодня строится на ожидании взрывного роста рынка, даже несмотря на то, что прибыльность таких проектов до конца не ясна. Например, OpenAI, выпустившая GPT-4, предположительно, уже в 2023 году показывала доход более миллиарда долларов в год, хотя еще в 2022 ее выручка составляла всего несколько десятков миллионов. Anthropic, один из конкурентов, также прогнозировал рост доходов почти в десять раз в течение ближайшего года.

Ключевым источником прибыли стали платные подписки, корпоративные лицензии и интеграции моделей в уже существующие продукты. Microsoft вложила миллиарды долларов в OpenAI не только как инвестор, но и как партнер, включив ChatGPT и GPT-4 в поисковик Bing и офисные продукты. Google интегрировал собственные модели в поисковую систему и облачные сервисы, а Meta пошла по пути открытых решений, распространяя LLaMA в качестве бесплатного ресурса для исследователей и стартапов, рассчитывая компенсировать затраты ростом экосистемы и усилением позиций в рекламном бизнесе. Таким образом, бизнес ищет разные схемы монетизации: от прямых платежей пользователей до продажи доступа к API для сторонних разработчиков и использования ИИ как инструмента защиты собственных рыночных ниш.

Однако перед частным сектором стоят и значительные вызовы. Во-первых, огромные издержки на обучение делают инвестиции рискованными: если интерес пользователей спадет или появятся более дешевые похожие модели, компании могут оказаться в убытке. Уже сегодня открытые проекты вроде Alpaca или Vicuna показали, что достаточно недорогая настройка средних по размеру моделей на базе выходов GPT-3.5 способна воспроизвести значительную часть его возможностей. Такие копии подрывают монополию крупных игроков и снижают ценность закрытых коммерческих продуктов. Во-вторых, вопросы безопасности и социальной ответственности напрямую влияют на репутацию и юридические риски компаний. Ошибочные ответы, предвзятость или генерация опасного контента могут привести к судебным искам или к введению новых регуляций, что увеличит издержки.

Тем не менее крупные технологические корпорации обладают значительными резервами для продолжения инвестиций. Затраты на обучение отдельных моделей все еще составляют малую часть их годовых бюджетов, а растущий интерес со стороны бизнеса к автоматизации, аналитике и контент-генерации обеспечивает перспективу долгосрочной прибыли. Кроме того, вложения в ИИ рассматриваются как стратегическая необходимость: компания, которая первой создаст действительно универсальную модель или сумеет встроить ИИ глубже всего в повседневные сервисы, получит преимущества, сравнимые с теми, что давала монополия в области операционных или поисковых систем.

Роль государства и политические факторы

В условиях, когда стоимость обучения моделей измеряется десятками и сотнями миллионов долларов, а влияние ИИ на национальную безопасность и экономику сравнивают с атомными технологиями, государства не могут оставаться сторонними наблюдателями. Их интерес определяется двумя ключевыми факторами: возможностью контроля над рисками и стремлением к технологическому лидерству. Если бизнес руководствуется логикой прибыли, то правительственные структуры оценивают ИИ как ресурс, определяющий будущее политического баланса. Уже сегодня обсуждается сценарий гонки вооружений в сфере ИИ, где национальные правительства будут стремиться к обладанию более мощными моделями независимо от их непосредственной коммерческой ценности. Подобно тому как ядерные технологии оказались под жестким государственным контролем, в перспективе наиболее передовые ИИ-системы могут быть отнесены к категории стратегических технологий, ограниченных в экспорте и лицензировании.

Политический фактор также проявляется в вопросах контроля и доверия. Нельзя исключать сценарии, при которых разработка крупнейших моделей станет монополией государственных лабораторий, а доступ бизнеса будет ограничен. Одновременно правительства могут поддерживать отрасль через субсидии, налоговые льготы и совместные программы, но требовать полного соблюдения стандартов безопасности и прозрачности. Для ряда стран приоритетом становится баланс: с одной стороны, не задушить инновации чрезмерным контролем, с другой — предотвратить утечку технологий. Для некоторых государств ИИ может стать инструментом внутреннего контроля и политической стабильности, и здесь интерес государства будет максимальным независимо от коммерческой рентабельности.

Гибридные и альтернативные модели финансирования

Между полным доминированием бизнеса и полной национализацией развития ИИ существует широкий спектр промежуточных решений, которые сегодня рассматриваются как наиболее реалистичный путь. Одним из таких решений являются ГЧП, позволяющие объединять ресурсы крупных корпораций и государств. Примером может служить пилотный проект National AI Research Resource в США, призванный создать инфраструктуру для исследователей. Такой формат снимает часть финансовой нагрузки с отдельных компаний и одновременно позволяет государству контролировать направление исследований и внедрение стандартов безопасности. 

Другим важным источником являются филантропические фонды и инициативы. Уже сегодня крупные благотворительные организации и частные инвесторы направляют средства на исследования рисков ИИ, разработку открытых инструментов и создание общественных благ в сфере технологий. Однако масштабы таких вложений ограничены: если стоимость обучения ведущих моделей достигает миллиардов долларов, даже богатейшие филантропы не могут полностью взять на себя эти расходы. Тем не менее они способны финансировать сопутствующие проекты, что снижает барьеры для входа и способствует более равномерному развитию отрасли.

Особое место занимает модель открытых исследований, когда компании сознательно распространяют свои наработки бесплатно или с минимальными ограничениями. Линейка LLaMA в формате open source показала, что иногда цель — не прибыль, а расширение экосистемы и снижение зависимости от конкурентов. Подобные проекты позволяют академическим институтам и стартапам участвовать в развитии технологий, формируя альтернативный полюс по отношению к закрытым коммерческим системам. Но у такой модели есть и обратная сторона: снижая барьеры, она одновременно осложняет создание устойчивых бизнес-моделей и повышает риск появления неконтролируемых приложений.