Обучение нейросетей требует столько электроэнергии, что энергосети перестали справляться, а классические GPU кластеры задыхаются от собственного тепловыделения. Старая модель владения железом рухнула: графические ускорители устаревают за 18 месяцев, превращаясь из актива в финансовый балласт.
Этот инфраструктурный тупик спровоцировал глобальную перестройку всей ИТ-отрасли. Чтобы спасти экономику ИИ от коллапса, бизнес вынужден радикально менять подходы: продавать вычислительные мощности как коммунальную услугу по подписке, переносить вычисления из центральных процессоров прямо в чипы памяти, заменять перегревающиеся электроны на холодные фотоны и строить гибридные сети на стыке геополитических противоречий.
Индустрия искусственного интеллекта переживает фундаментальный сдвиг, аналогичный трансформации рынка классических серверов десятилетней давности, но в многократно ускоренном темпе. Концепция владения вычислительными кластерами (CAPEX) окончательно уступила место модели потребления мощностей по подписке (OPEX). Мировой рынок аренды GPU преодолел порог в 9 миллиардов долларов, демонстрируя ежегодный рост свыше 40%, а в России этот сегмент по итогам 2025 года зафиксирован на уровне 17 миллиардов рублей с устойчивой динамикой удвоения.
Традиционная логика ИТ инвестиций, рассчитанная на амортизацию оборудования в течение трех — пяти лет, разбивается о реалии гонки нейросетей. Жизненный цикл графического ускорителя сократился до 12 — 18 месяцев. Каждая новая ревизия чипов Nvidia (переход архитектур H100 к B200 и подготовка к Rubin) предлагает кратный прирост энергоэффективности.
Компании, закупившие оборудование сегодня, сталкиваются с двойным ударом:
Собственный GPU парк превратился из актива в тяжелое финансовое бремя, где стоимость владения перекрывает любую выгоду от независимости.
Контракт между Nebius и Microsoft объемом 17,4 миллиарда долларов (с потенциалом расширения до 19,4 миллиарда) стал маркером новой реальности. Парадокс заключается в том, что Microsoft один из немногих игроков, способных самостоятельно строить мега ЦОД, сознательно выбирает роль арендатора.
Этот выбор продиктован прагматикой:
Финансовые показатели Nebius за первый квартал 2026 года — рост выручки на 684% выглядят как статистическая аномалия. Однако это следствие “низкой базы” и идеального тайминга: компания завершила трансформацию и выстроила цепочки поставок именно в момент, когда спрос на вычисления превысил мировые мощности.
При этом сама бизнес-модель GPU-as-a-Service содержит в себе внутреннее противоречие: чтобы получать стабильный операционный доход от аренды, провайдер обязан сначала заморозить колоссальные суммы в закупке дефицитного железа. Аналитики оценивают потенциал этого рынка в 260 миллиардов долларов к 2030 году при среднегодовом темпе роста в 35%.
Индустрия ИИ окончательно перешла в фазу инфраструктурного утилитаризма. Вычисления стали коммунальной услугой. Владение физическим железом остается привилегией лишь нескольких государственных гиперскейлеров и оборонных структур. Весь коммерческий сектор искусственного интеллекта сделал ставку на операционную модель, приняв риск зависимости от узкого круга специализированных поставщиков мощностей в обмен на скорость, масштабируемость и финансовую гибкость.
Поглощение стартапа DataPelago корпорацией NetApp символизирует финальную точку в истории классических систем хранения данных (СХД). Традиционная ИТ архитектура, построенная по принципу “Выгрузи терабайты из озера, очисти их в отдельном кластере и только потом отправь в GPU”, больше не выдерживает экономической нагрузки эпохи искусственного интеллекта.
Компании массово закупают кластеры на базе Nvidia B200, но сталкиваются с парадоксом: дорогостоящие ускорители простаивают. Виной тому — инфраструктурный разрыв. Пока гигабайты данных копируются по сети из хранилища в вычислительный узел, счетчик аренды GPU сервера продолжает работать. В структуре затрат на обучение моделей до 80% времени может уходить не на математические расчеты, а на простое ожидание пакетов данных. В модели OPEX (аренда мощностей) каждая лишняя минута сетевого ожидания — это буквальное сжигание операционного бюджета.
DataPelago предложила решение, которое индустрия называет “нулевым копированием” (Zero-Copy). Вместо того чтобы строить отдельную ферму для предобработки данных, их технология DataPelago Nucleus интегрирует вычислительное ядро непосредственно в слой хранения.
Стартап, вышедший из тени в конце 2024 года, разработал универсальный движок обработки (UDPE), который встраивается между прикладным софтом (например, Apache Spark или Trino) и физическим оборудованием. Система использует DataVM — специализированную виртуальную машину с собственным набором инструкций. Она анализирует доступный ресурс в реальном времени: если в контроллере СХД есть свободные тензорные ядра GPU задача уходит на них, если только CPU оптимизация происходит на процессоре. Это позволяет выполнять фильтрацию и агрегацию данных в 4 — 10 раз быстрее стандартных решений, так как информация физически не покидает пределы дисковой полки.
Для NetApp эта сделка — не просто покупка перспективного ПО, а смена парадигмы. Как подчеркивает глава компании Джордж Куриан, современным предприятиям нужна инфраструктура, которая по своей мощи и интеллекту соответствует самим ИИ моделям.
Интеграция DataPelago в портфель NetApp (Intelligent Data Infrastructure) устраняет стадию тяжелого ETL (Extract, Transform, Load). Данные “активируются” в момент их попадания на диск. Для бизнеса это означает переход от реактивной аналитики к проактивной: мошенничество выявляется в микросекунду совершения транзакции, а поломка оборудования предсказывается по первичному импульсу датчика, без необходимости собирать данные в центральное озеро.
Внедрение вычислителей в СХД вынуждает инженеров ЦОД пересматривать базовые принципы проектирования:
Сделка NetApp и DataPelago закрывает последнюю брешь в стеке искусственного интеллекта. Если такие игроки, как Nebius, решают проблему дефицита физической силы (вычислителей), то NetApp устраняет проблему питания этой силы. Инфраструктура перестает быть пассивным архивом. Она становится активным участником процесса: данные подготавливаются, управляются и обогащаются контекстом в ту же секунду, когда они были созданы, полностью исключая стадию простоя дорогостоящих GPU кластеров.
Гонка за мощностью, выраженная в бесконечном наращивании GPU кластеров, столкнулась с непреодолимой стеной — законами термодинамики и пропускной способностью энергосетей. Центры обработки данных для искусственного интеллекта превратились в главных потребителей электричества, и в условиях России подключение новых мегаватт к сетям стало главным инфраструктурным барьером. Дальнейшее масштабирование по старым правилам стало экономически и физически невозможным.
Индустрия ответила на этот тупик фрагментацией. Сложился четкий дуализм: тяжелые циклы обучения фундаментальных моделей остаются в руках глобальных облачных провайдеров, таких как Nebius, которые продолжают эксплуатировать дефицитные GPU. Однако практическое применение этих моделей (инференс) стремительно уходит на периферию.
Робототехника, беспилотный транспорт и системы умного города не могут позволить себе отправлять каждый кадр видео в облако — задержки сети (latency) убьют автономность, а счета за трафик разорят бизнес. Вычисления должны происходить непосредственно на устройстве. Но поместить классический горячий GPU в дрон или камеру невозможно. На сцену выходит Edge AI нового поколения, где электронику заменяет фотоника.
Оптические (фотонные) чипы используют движение фотонов вместо электронов для выполнения вычислений. Поскольку свет движется без электрического сопротивления, он не генерирует избыточного тепла и не сталкивается с “пробками” в медных проводниках.
Ключевое преимущество проявляется в матричном умножении — самой ресурсоемкой операции в нейросетях. Фотонные ядра выполняют эти тензорные вычисления на порядки быстрее и эффективнее. Если классический GPU тратит энергию на нагрев проводников, то оптический чип тратит ее почти исключительно на полезную работу. Это позволяет создавать компактные вычислители, которые потребляют в десятки раз меньше энергии и не требуют громоздких систем охлаждения.
Для российской ИТ индустрии переход на оптические вычисления — это не просто смена архитектуры, а вопрос технологического суверенитета. Воспроизвести топологию современных GPU (3 — 5 нанометров) в текущих условиях практически невозможно. Однако производство фотонных чипов опирается на другие технологические цепочки, которые гораздо проще локализовать.
Это открывает путь к созданию независимой периферийной инфраструктуры. Компактные оптические ускорители позволяют строить “суверенный ИИ” для промышленных роботов, беспилотников и систем безопасности, полностью снимая зависимость от импорта дефицитных видеокарт. Как отмечают в отрасли, это идеально вписывается в тренд импортозамещения: холодный, быстрый и автономный чип, который можно производить внутри страны.
Инфраструктура искусственного интеллекта окончательно перестала быть централизованной. Мы наблюдаем формирование двухконтурной модели:
Будущее вычислений больше не определяется только количеством транзисторов на кристалле. Оно определяется скоростью света. Эпоха монолитных GPU кластеров сменяется гибридной эрой, где тяжелый интеллект живет в глобальном облаке, а мгновенная реакция обеспечивается оптическими нейронами, распределенными по всему физическому миру.
Инфраструктура искусственного интеллекта раскололась на два параллельных измерения: жестко регулируемые национальные периметры и гибкие транснациональные пулы ресурсов. Геополитика превратилась из новостного фона в фундаментальный параметр проектирования систем, стоящий в одном ряду с архитектурой чипов и пропускной способностью сетей.
В России инфраструктурный кризис, вызванный ограничением доступа к решениям Nvidia, катализировал процесс технологического самоопределения. Рынок пошел по пути вынужденной диверсификации: налаживание схем параллельного импорта для критических задач и массовый переход на альтернативные ускорители из КНР (в частности, линейки Huawei Ascend и Biren) для стандартных нагрузок.
Однако главным фактором трансформации стало законодательство. Вступивший в силу 1 сентября 2026 года Федеральный закон об ИИ (№ 243-ФЗ) ввел в официальный оборот понятия суверенных и национальных моделей. Как подчеркивает Олег Сажин, государство сместило фокус с формального происхождения кода на технологический контроль и юрисдикцию данных.
Этот регуляторный каркас не стал непреодолимым барьером — предусмотрен длительный переходный период до 2032 года для существующих систем, а радикальные требования (например, обучение только на локальных данных) были смягчены. Тем не менее, юридический комплаенс теперь диктует топологию сети. При проектировании ИТ систем архитекторы обязаны закладывать физическое расположение серверов (согласно ФЗ-152) и правовой статус ИИ модели как базовые переменные уравнения.
Пока национальные государства возводят регуляторные барьеры, глобальный капитал ищет способы их обхода через инфраструктурную гибкость. Ответом на фрагментацию рынка стала мультиоблачность — стратегия, при которой компания распределяет нагрузку между разными провайдерами, чтобы избежать зависимости от одной юрисдикции или вендора.
Сделка Nebius и Microsoft на 17,4 миллиарда долларов иллюстрирует рождение нового типа игрока — транснационального инфраструктурного брокера. Nebius, вобравшая в себя инженерную школу Яндекса, но зарегистрированная в Нидерландах, выступает буфером. Она аккумулирует доступ к дефицитному железу и предоставляет его гигантам вроде Microsoft, избавляя тех от необходимости самостоятельно решать логистические проблемы с поставками GPU. Развертывая мощности в Нью-Джерси для американского гиганта, Nebius доказывает: в 2026 году владение физическим сервером менее важно, чем владение инженерной экспертизой и контрактами на поставку чипов.
Чтобы выживать между требованиями суверенного ИИ и необходимостью использовать глобальные модели, корпорации перешли на гибридные схемы, которые стали стандартом де-факто:
Связующим слоем выступают платформы оркестрации. Они обеспечивают бесшовное перемещение рабочих нагрузок: данные анонимизируются и уходят в глобальное облако для обогащения модели, а обновленные веса возвращаются в локальный ЦОД для работы с пользователями.
Монополия одного поставщика (Nvidia) и одного облака (AWS/Azure) канула в лету. Современная ИИ инфраструктура — это сложный конструктор, собираемый на стыке права и инженерии. Она транснациональна там, где нужны масштабные вычисления, и предельно локализована там, где речь идет о хранении данных и национальной безопасности. Лидеры рынка — это не те, у кого больше всего стоек с видеокартами, а те, чья архитектура способна беспрепятственно существовать одновременно в нескольких правовых и технологических реальностях.
Мы привыкли воспринимать искусственный интеллект как магию программного кода — нечто эфемерное, существующее исключительно в цифровом пространстве.
Цифровая революция столкнулась с суровой реальностью: электричество не бесконечно, кремний имеет предел плотности, а государственные границы все еще существуют на карте. Старые методы решения этих проблем — покупка новых серверов или расширение классических облаков — больше не работают. Они слишком медленные, слишком дорогие и физически упираются в потолок возможностей энергосетей.
Чтобы понять, как индустрия планирует выходить из этого тупика, мы должны спуститься с уровня программного кода на уровень бетонных полов дата-центров и кремниевых пластин. В следующих разделах мы проследим, как глобальный бизнес вынужден радикально пересматривать свои подходы. Мы увидим, почему владение вычислительным «железом» превратилось в тяжелое бремя, как данные учатся обрабатывать сами себя, не покидая дисковой полки, почему будущее периферийного ИИ связывают с технологиями передачи света и как геополитика заставляет корпорации буквально разрывать свои ИТ-системы на части, чтобы соответствовать противоречивым требованиям разных стран. Это история о том, как из обломков старой серверной архитектуры рождается совершенно новый, гибридный и прагматичный мир высоких технологий.
Свяжитесь с нашими экспертами для подбора оптимальной конфигурации оборудования и расчета стоимости аренды под ваши задачи ИИ.
GPU-серверы
Высокоплотные вычисления
Облачная аренда
Быстрый старт ИИ моделей
Enterprise SLA
Гарантированная доступность
Низкая задержка
Оптимальные сетевые трассы
