Как нам выиграть в LLM-гонке? За-Строй.РФ попросил нейросеть DeepSeek рассказать, что делать России, чтобы догнать мировых разработчиков искусственного интеллекта
На прошлой неделе в Кремле состоялось совещание, на котором обсуждали перспективы ИИ в нашей стране. Президент России Владимир Путин поставил перед участниками задачу – обеспечить создание и последующее развитие отечественных фундаментальных моделей искусственного интеллекта. Они должны быть конкурентоспособными в мировом масштабе и при этом обладать максимальным уровнем суверенности. Это значит, что полный цикл их разработки и обучения должен осуществляться российскими компаниями. Подробности все желающие могут почитать в нашей недавней статье «Пять задач для победы в цифровой гонке».
Стоит отметить, что профессиональное сообщество пока ограничилось исключительно критикой и скептическим хихиканьем на форумах. А чиновники предпочитают отделываться лозунгами и общими фразами – хотя о необходимости развития собственного ИИ говорится уже не первый год. За конструктивом мы в редколлегии решили обратиться к первоисточнику – и попросили китайскую нейросеть DeepSeek подумать, как можно выполнить наказы нашего Президента. А именно – те пять задач, которые были поставлены перед вновь созданной правительственной комиссией. И вот что ответил синтетический разум.
***
Любой разговор о развитии искусственного интеллекта в России должен начинаться не с алгоритмов и талантливых программистов, а с розетки и кремниевой пластины. Фундамент, на котором держатся все большие модели, – это аппаратные возможности и электроэнергия. И здесь картина далека от радужной.
Собственного производства чипов для обучения больших моделей в России нет и в обозримом будущем не появится в промышленных масштабах. Фабрики уровня TSMC или «Самсунг» требуют десятилетий инвестиций, недоступной литографии и химикатов, которые находятся под жёстким экспортным контролем. Попытки создать свой техпроцесс тоньше 90 нм – это пока научное достижение, а не производственная реальность. Поэтому иллюзию суверенитета в этой части лучше отбросить.
Однако есть прагматичный путь – коллаборация со странами АТР, прежде всего, с Китаем и, возможно, с Вьетнамом или Малайзией. Китайские компании, такие как «Hygon» или «Biren Technology», уже выпускают ускорители для ИИ, пусть и отстающие от Nvidia на два-три поколения. Россия может выступать не как проситель, а как заказчик и соразработчик: поставлять редкие металлы, конструкторскую документацию по системам охлаждения для экстремальных условий или алгоритмы, оптимизированные под конкретную китайскую архитектуру. Взаимовыгодная схема – локализация финальной сборки и упаковки чипов на своей территории, что позволяет обойти некоторые санкционные ограничения и получить доступ к технологиям под видом «сборочных операций».
Но даже если чипы каким-то чудом появятся, их нужно будет кормить электричеством. Здесь ситуация ещё тревожнее. Дата-центры для обучения моделей уровня LLaMA-3 или хотя бы российского аналога «Шедевра» потребляют десятки мегаватт. В европейской части России, где сосредоточена основная интеллектуальная и финансовая активность, энергодефицит нарастает. Новые подстанции строятся медленно, тарифы для бизнеса растут, а «зелёная повестка» никем не отменена, хотя и подвергается критике. Перенос дата-центров в Сибирь, к ГЭС, упирается в проблему пинга и нехватки квалифицированного персонала в моногородах.
Решение – не пытаться строить один гига-дата-центр на всю страну, а рассредоточить нагрузку. Создать сеть региональных вычислительных кластеров средней мощности, работающих на газу или даже на попутном нефтяном газе, который сегодня сжигается в факелах. Это снизит нагрузку на сеть и даст дешёвое тепло для обогрева теплиц или жилых кварталов – классический дата-центр как когенерационная установка. Но главное – смириться с тем, что Россия пока не сможет обучать модели такого же размера, как Google или DeepSeek.
Значит, нужно менять саму научную парадигму: делать ставку не на гигантоманию, а на эффективность – разрежённые модели, дистилляцию знаний, аппаратную оптимизацию под конкретные задачи. Решение – не строить один гигантский дата-центр, а создать сеть региональных кластеров средней мощности. Они могут работать на газе или даже на попутном нефтяном газе, который сегодня сжигается в факелах. Такая схема снижает нагрузку на общую сеть и даёт дешёвое тепло для коммунальных нужд или теплиц.
Поскольку закрыть все отрасли одновременно невозможно, приходится выбирать две-три критические точки приложения сил, которые дадут мультипликативный эффект.
Первая и самая очевидная – оборона и безопасность. Здесь государство готово финансировать разработки практически без оглядки на себестоимость и энергоэффективность. Автономные дроны, системы радиоэлектронной борьбы с адаптивным интеллектом, анализ спутниковой разведки в реальном времени – всё это уже существует на полигонах и требует постоянного совершенствования. Успех в оборонной сфере автоматически порождает гражданские приложения: управление транспортом в хаотичной среде, роботизированные комплексы для ликвидации аварий, защищённую связь.
Вторая точка – государственное управление. Это звучит менее эффектно, но именно здесь можно быстрее всего получить экономический эффект без капитальных затрат на промышленность. Автоматическая проверка деклараций, предиктивное моделирование налоговых поступлений, выявление мошеннических схем в госзакупках – задачи, которые окупаются за год и не требуют передовых чипов.
Третье направление – биотехнологии и фармацевтика. В условиях ограниченного доступа к западным лекарствам и технологиям редактирования генома собственные разработки становятся вопросом национальной безопасности. ИИ для сворачивания белков, предсказания взаимодействия молекул и персонализированной медицины позволяет небольшому, но хорошо оснащённому кластеру заменить годы лабораторной работы. Успех в биотехе потянет за собой биоинформатику, медицинское приборостроение и химическую промышленность.
Отдельного внимания заслуживает сельское хозяйство. Хотя оно и не попало в список критических приоритетов. Здесь есть реальные достижения, которые редко попадают в заголовки новостей. Российская компания «Cognitive Pilot» создала беспилотные комбайны и тракторы, работающие в полях, а не только на презентационных стендах. Это пример того, как узкая модель на относительно скромном железе решает конкретную производственную задачу. Однако сельское хозяйство остаётся низкомаржинальной отраслью, поэтому его ИИ-трансформация должна опираться не на бюджетные дотации, а на экспортный потенциал – продажу систем точного земледелия в страны Азии, Ближнего Востока и Африки.
Мировые тренды сегодня задают три вектора.
- Первый – мультимодальные модели, способные одновременно понимать текст, изображение, звук и трёхмерные данные.
- Второй – агентный ИИ, самостоятельно планирующий и выполняющий длительные цепочки действий, например, ведущий научный эксперимент.
- Третий – энергоэффективные вычисления, где соревнуются специализированные чипы с минимальным энергопотреблением.
Россия в этих трёх гонках догоняет, но есть ниши, где можно вырваться вперёд, не копируя западные архитектуры. Например, гибридные нейро-символьные модели для жёсткой логики в авиастроении или оборонных системах, где важна не статистическая правдоподобность, а формальная доказуемость результата.
В конечном счёте российская фундаментальная модель ИИ должна быть глубоко специализированной, работающей в условиях ограниченных ресурсов и жёсткого энергобаланса. Комиссии при Правительстве России стоило бы забыть о «создании фундаментальных моделей» в том смысле, в каком их понимают в Калифорнии. Это не слабость, а потенциальное конкурентное преимущество. Когда американским моделям требуется целая атомная электростанция, российские аналоги смогут работать на дизель-генераторе в арктическом посёлке или в отсеке атомного ледокола.
Именно такая направленность – на надёжность, энергоэффективность и автономность – способна сделать сотрудничество с партнёрами по СНГ, ШОС и БРИКС не формальностью, а реальным обменом технологиями, где у каждой стороны есть свой уникальный кусок пазла.
***
Вот такое мнение от китайской LLM-модели. Мы в редколлегии внимательно с ним ознакомились, и осталось у нас в душе смутное подозрение, что примерно так все наши уважаемые государственные деятели и сочиняют свои мудрые планы, «дорожные карты» и стратегии на ближайшую пятилетку. Искусственный интеллект – парень трудолюбивый, ему и идей накидать, и доклад в бюрократическом стиле составить нетрудно. Благо выполнять самому ничего не придётся.
Впрочем, возможно, у читателей создалось другое впечатление? Как обычно – ждём комментарии и отзывы на нашей дискуссионной площадке!
Искренне Ваш,
За-Строй.РФ
Подписывайтесь на За-Строй.РФ в МАХ 
При полном и/или частичном копировании данного материала, для последующего размещения его на стороннем ресурсе, обратная, индексируемая ссылка на источник обязательна!
