Китайский опенсорс умножил на ноль триллионные мечты американских облачных гигантов
Триллионная стройка вокруг искусственного интеллекта (ИИ) столкнулась с неожиданной угрозой: вычисления дешевеют быстрее, чем облачные гиганты успевают строить новые дата-центры. Аналитики Jefferies предупреждают, что дешевые китайские модели и системы с открытыми весами могут заставить Microsoft, Alphabet, Amazon и Oracle пересмотреть огромные инфраструктурные планы, рассчитанные на многолетний рост спроса со стороны разработчиков ИИ.
Масштаб ставки уже огромен. Согласно оценке Jefferies, совокупный объем законтрактованных обязательств Microsoft, Alphabet, Amazon и Oracle достиг примерно $2,3 трлн. Около половины суммы приходится на OpenAI и Anthropic. Одновременно крупнейшие гиперскейлеры собираются потратить в 2026 году от $600 млрд до $800 млрд на дата-центры, причем для финансирования стройки компании все чаще используют заемные средства.
Расчет строился на довольно простой логике: передовые языковые модели будут постоянно требовать больше вычислительных мощностей, а разработчики моделей годами станут покупать облачные ресурсы. Китайские конкуренты начали ломать такую схему за счет быстрого роста качества и гораздо более агрессивной ценовой конкуренции.
Особенно заметен сдвиг в статистике OpenRouter, через который разработчики получают доступ к моделям разных поставщиков. За неделю, завершившуюся 27 сентября, ведущие китайские модели обработали 76,12 трлн токенов против 4,37 трлн в конце апреля. Четыре крупнейших американских поставщика за ту же неделю обработали 14,2 трлн токенов. Подобные цифры нельзя считать долей всего мирового рынка: OpenRouter отражает только трафик собственной платформы и не учитывает прямые корпоративные контракты с OpenAI, Anthropic, Google и другими компаниями. Однако динамика хорошо показывает, насколько быстро разработчики переключаются между поставщиками, когда разница в качестве сокращается.
Одним из примеров Jefferies называет Kimi K3 китайской Moonshot AI. Модель содержит 2,8 трлн параметров, поддерживает контекст примерно на миллион токенов и распространяется с открытыми весами. Подробный разбор моделей показывает, что Kimi K3 уже приблизилась к ведущим закрытым системам в независимых тестах, хотя огромный размер модели делает самостоятельный запуск дорогим и требует серверной инфраструктуры. Термин «открытые веса» тоже важен: доступ к весам модели не означает автоматического открытия всех обучающих данных, исходного кода и процесса обучения.
Jefferies оценивает производительность Kimi K3 примерно в 95% от уровня Claude Fable 5. Подобную цифру нельзя читать как универсальный рейтинг интеллекта, поскольку результат зависит от тестов, режима рассуждения и конкретной задачи. Для экономики рынка важнее другое: модель, которая выполняет работу почти на уровне дорогого лидера за меньшие деньги, усиливает давление на стоимость каждого миллиона обработанных токенов.
Проблема выходит далеко за пределы конкуренции нескольких чат-ботов. Bain & Company подсчитала, что капитальные расходы Microsoft, Google, Amazon, Meta и Oracle в 2026 году могут достичь $780 млрд, почти в пять раз превысив уровень трехлетней давности. К 2031 году ежегодные расходы на ИИ-инфраструктуру способны вырасти до $1,5 трлн. Чтобы поддерживать такой объем вложений при капитальных расходах около четверти выручки, индустрии понадобится рынок примерно на $6 трлн в год. Существующие потребительские и корпоративные сценарии, согласно расчетам Bain, смогут приносить к 2031 году лишь $1,2-1,8 трлн ежегодно. Недостающие $4,2 трлн должны появиться за счет новых рынков: рекламы внутри ИИ-сервисов, автономного транспорта, робототехники, цифровых двойников, разработки лекарств и других продуктов, значительная часть которых пока находится на ранней стадии.
Jefferies поэтому не утверждает, что триллионы долларов уже потеряны или строительство дата-центров обязательно закончится крахом. Аналитики говорят о риске крупной переоценки: если токены продолжат дешеветь, а сильные модели станут взаимозаменяемыми, разработчикам потребуется меньше денег для выполнения той же работы. Для гиперскейлеров такой сценарий означает неприятный вопрос: кто и по какой цене загрузит вычислительные мощности, которые компании строят сегодня в расчете на значительно более дорогой ИИ.