🚨Полгода в ИИ-гонке — это что?!

#РоссийскийИИ #ГолодПоВычислениям #Греф #Yandex #AliceAI #КитайскийИИ #KimiK3 #Qwen #DeepSeek #ГонкаИИ #ТехнологииПодСанкциями #СуверенныйИИ

Российские ИИ-модели отстают от китайских примерно на полгода. Это не про технологии — это про голод по вычислениям

Сразу к сути: российские ИИ-гении проиграли не мозгами, а розеткой.

Герман Греф признал это прямо: российские ИИ-модели отстают от китайских примерно на полгода. Глава Сбербанка сказал это без обиняков на «GigaConf 2026» — «у китайских компаний практически нет ограничений по вычислениям, мы находимся в неравных условиях».

Вот и вся правда. Дело не в алгоритмах, не в кадрах — дело в нехватке GPU.

Что означают эти полгода

Полгода в ИИ-гонке — это что?

В июле 2026 года Китай за один месяц выпустил две модели триллионного масштаба: Kimi K3 от Moonshot — 2,8 трлн параметров, крупнейшая открытая модель в мире; Alibaba тут же выкатила превью Qwen3.8-Max — 2,4 трлн параметров. Ещё через два месяца MiMo-V2.6-Pro от Xiaomi возглавила рейтинг открытых моделей Artificial Analysis, обойдя Qwen и Kimi по интеллекту.

А Россия? Yandex в сентябре представила Alice AI Foundation LLM — 80 млрд параметров, 3 млрд активных. Это отличная инженерная работа, в русскоязычных задачах модель даже бьёт DeepSeek-V4-Flash-Base (284 млрд параметров). Но 80 млрд против 2,8 трлн — это разница на порядок с лишним.

Полгода — это полтора цикла итераций. Ты догоняешь полгода, а они убежали ещё на полгода.

Суть проблемы: не «не умеют», а «не на чем»

Греф говорит: «по остальным параметрам мы не проигрываем». И это не пустые слова. Alice от Yandex доказала, что российская команда умеет делать эффективные вещи на минимуме вычислений — MoE-архитектура, 3 млрд активных параметров, Apache 2.0, нативная оптимизация под русский. Инженерная школа на месте.

Но обучение больших моделей — это brute force. Объём данных, число параметров, вложенные вычисления — нужны все три компонента. Модель Yandex обучена на 18 млрд токенов. Китайские топ-модели давно перешагнули десятки триллионов токенов. Разрыв не в «умеем ли обучать», а в «можем ли позволить себе обучать».

Проблема глубже — в цепочке поставок. Депутат Горелкин сказал прямо: без собственной полупроводниковой промышленности нет суверенного ИИ. Производство чипов в России сильно отстаёт от Китая, GPU приходится ввозить или добывать в обход. У тебя даже лопат не хватает — как тягаться с теми, кто роет золото экскаваторами?

Второй фронт: рынок захватывают китайские модели

Что ещё ироничнее — Греф признаёт отставание, а российский бизнес голосует ногами. Точнее, API-ключами.

В 2026 году клиенты основных российских облачных платформ «в разы увеличили использование иностранных больших моделей», спрос «смещается в сторону китайских — Qwen и DeepSeek». Эксперты Сколково говорят ещё жёстче: китайские модели «стали повседневным рабочим инструментом в России», в задачах кодинга, математики и анализа данных они «превосходят западные массовые модели и российские аналоги средней ценовой категории».

Цена-качество — железный аргумент. Китайские модели открытые, дешёвые, рабочие, с мягкой цензурой. Выбор российского бизнеса честен: на словах поддерживаем отечественное, на деле открываем Qwen.

Alice от Yandex в потребительском сегменте действительно выигрывает — в октябре охват 14,3% российских интернет-пользователей, в 1,5 раза больше, чем у DeepSeek. Но потребители болтают с «Алисой», а разработчики пишут код на DeepSeek. Потеря B2B и экосистемы разработчиков — самый опасный сигнал.

Выход: деньги и политика уже двинулись, но хватит ли?

Государство не бездействует. Закон 243-ФЗ о поддержке развития технологий ИИ уже принят, общий бюджет — 71,7 млрд рублей. Минцифры обсуждает субсидии на создание датасетов — «один общий датасет может обслуживать несколько лабораторий, чтобы не изобретать велосипед». Путин подписал перечень поручений с требованием разработать план инфраструктуры ЦОДов до 2030 года, включая атомную генерацию.

Логика верная: вычисления — узкое место, значит строим ЦОДы; данные — топливо, значит субсидируем датасеты; кадры есть — значит даём политику.

Но есть два фатальных вопроса:

Первый: хватит ли денег? 71,7 млрд рублей — это около 800 млн долларов. Для сравнения: стоимость одного обучения топовой китайской модели может превышать эту сумму. Капитальные затраты американских техногигантов на ИИ — сотни миллиардов долларов в год. 800 млн на всю национальную ИИ-инфраструктуру — капля в море.

Второй: хватит ли времени? Строительство ЦОДа — это годы. От выбора площадки, электроснабжения, охлаждения до развёртывания чипов — два-три года минимум. А цикл итерации ИИ-моделей — месяцы. Пока ты строишь ЦОД, у них сменилось три поколения моделей.

Самая жестокая реальность

Греф сказал: «отставание сохранится». Звучит уныло, но, возможно, это самая честная оценка.

Глубинный смысл полугодового отставания не в том, что «не догнать», а в том, что «скорость догоняния меньше скорости их эволюции». Китайские команды при избытке вычислений итерируются в ритме «за месяц две триллионные модели». Ты при ограниченных ресурсах лепишь одну 80-миллиардную несколько месяцев.

Это не забег, это игра в снежный ком. Их ком уже больше, и катится он быстрее.

Но не всё так мрачно. Инженерная эффективность Alice доказала одно: российская команда способна делать рабочее на скудных ресурсах. Если удастся ослабить узкое место по вычислениям, если субсидии на датасеты заработают, если регуляторика не загонит разработчиков в объятия исключительно иностранных моделей — наклон кривой догоняния можно изменить.

Проблема в том, что «если» слишком много. А ИИ-гонка «если» не ждёт.