Кто выиграет гонку ИИ: не рейтинги моделей, а реальное внедрение

В последние годы самым заметным проявлением американо-китайского соперничества в сфере искусственного интеллекта были рейтинги моделей, количество графических процессоров и масштаб параметров. Однако к 2026 году центр тяжести этого соперничества меняется: возможности моделей по-прежнему важны, но всё большее значение для того, сможет ли та или иная технологическая траектория устойчиво расширяться, приобретают стоимость инференса, экосистема разработчиков, облачные сервисы, корпоративное внедрение, данные из реальных сценариев и способность формировать правила. Поэтому открытые и закрытые модели перестали быть просто техническим спором инженеров. Для бизнеса это вопрос бизнес-модели и контроля над клиентами; для отрасли — вопрос о том, с какими издержками модели смогут входить в производство, логистику, робототехнику и корпоративные системы; для государственного уровня — вопрос о том, как экспортный контроль над чипами, интеллектуальная собственность и безопасность моделей превращают технологический выбор в сложную институциональную игру. Соперничество, которое раньше можно было описать формулой «у кого модель сильнее», становится комплексным состязанием, охватывающим вычислительные мощности, модели, экосистемы и реальный сектор.

Этот сдвиг прежде всего связан с ограничениями по вычислительным ресурсам. С 2022 года США последовательно ужесточали экспортные ограничения на передовые чипы для искусственного интеллекта в Китай. В январе 2026 года Бюро промышленности и безопасности Министерства торговли США вновь скорректировало часть политики выдачи лицензий на экспорт полупроводников в Китай, переведя Nvidia H200, AMD MI325X и аналогичные продукты на индивидуальное рассмотрение при соблюдении определённых условий. Политика не сводится к простому ужесточению или ослаблению — она постоянно балансирует между безопасностью, интересами отрасли и рыночным спросом. На этом фоне китайские компании, работающие в сфере ИИ, делают больший акцент на эффективности алгоритмов, стоимости инференса и открытых весах. Влияние таких моделей, как DeepSeek и Qwen, в значительной степени связано не с каким-то отдельным бенчмарком, а с комбинацией «возможности, близкие к передовому уровню, более низкая цена, возможность скачать и доработать». Строго говоря, отрасль часто называет такие подходы «открытым исходным кодом», но значительная их часть точнее описывается как «открытые веса»: параметры модели можно скачать, дообучить и развернуть в приватной инфраструктуре, однако обучающие данные, полный процесс обучения и часть инструментов не раскрываются полностью.

Эта разница кажется технической, но на деле напрямую влияет на коммерческое распространение. Закрытые модели обычно поставляются через облачные API и по подписке, и поставщик сохраняет контроль над версиями модели, доступом и тарифами; модели с открытыми весами легче входят в локальные дата-центры предприятий, на периферийные устройства и в специализированные бизнес-системы. Для корпоративных клиентов с высокими требованиями к соответствию данным, издержкам и кастомизации последние предлагают альтернативу.

Ценность открытых весов не только в снижении цены одного вызова, но и в снижении порога проб и ошибок для всей экосистемы. В докладе американо-китайской комиссии по экономике и безопасности при Конгрессе США (USCC) за март 2026 года развитие китайских открытых моделей описано как два взаимно усиливающих цикла: один происходит в цифровом мире — публикация модели, скачивание разработчиками, дообучение и новая итерация; другой — в реальной промышленности, где модели входят в производство, логистику и робототехнику, генерируют реальные данные и подталкивают улучшение моделей. Это аналитическая рамка, а не утверждение, что все компании следуют одному пути, но она даёт угол зрения на отраслевые различия. Экосистема разработчиков стала важной переменной. По данным USCC на тот момент, вокруг Alibaba Qwen сформировалось более 100 тысяч производных моделей; позже Hugging Face публиковал цифры, которые продолжали расти. Смысл такой производной экосистемы в том, что базовая модель, которую массово используют для кода, зрения, речи, отраслевых знаний и периферийного развёртывания, перестаёт быть просто «продуктом» и постепенно становится технологической основой. Сама базовая модель не обязательно приносит максимальную прибыль, но она может стимулировать спрос на облачные вычисления, сервисы инференса, корпоративное внедрение, инструменты и оборудование.

Это объясняет, почему крупные китайские технологические компании легче принимают логику «модель дешёвая или бесплатная, а заработок — на других звеньях». Для компаний с облачной платформой, корпоративными клиентами и отраслевыми сценариями модель может быть входной точкой, а не единственным источником дохода. Напротив, для стартапов, у которых есть только передовая модель и нет облачной платформы и прикладных входов, постоянное открытие моделей создаёт более прямое коммерческое давление. Поэтому так называемый «открытый путь» не является единым шаблоном, и структура доходов разных компаний различается.

Американская технологическая индустрия также не представляет собой единый «закрытый лагерь». Сводить американо-китайское соперничество к формуле «Китай — открытый, США — закрытые» значит упускать всё больше реальных изменений. В июле 2026 года несколько американских технологических компаний, включая Nvidia, Microsoft, Meta и IBM, публично поддержали модели с открытыми весами, заявив, что преждевременные ограничения открытых моделей могут подавить инновации и конкуренцию. Некоторые передовые лаборатории, напротив, делают акцент на рисках безопасности при распространении возможностей моделей, защите интеллектуальной собственности и контролируемости. Эти разногласия прежде всего связаны с коммерческими интересами. Производители чипов хотят, чтобы моделей было больше, а применение шире — тогда спрос на вычисления растёт; облачным провайдерам нужно множество разных моделей в корпоративных нагрузках; разработчики прикладного ПО также хотят снизить зависимость от одного поставщика моделей. Передовые лаборатории вкладывают огромный капитал в обучение, и их коммерческая отдача больше зависит от редкости самих возможностей модели и от того, что клиенты продолжают платить через API и подписки. Отношение к открытым весам тесно связано с тем, какое место компания занимает в цепочке создания стоимости.

Логика безопасности тоже не имеет единственного ответа. Закрытые системы позволяют поставщику централизованно добавлять ограничители, ограничивать доступ и обновлять модель, но предприятия сталкиваются с привязкой к поставщику и концентрацией контроля над данными; модели с открытыми весами можно развернуть локально и проверять, но после публикации их трудно полностью отозвать, а контролировать злоупотребления сложнее. Поэтому открытость и закрытость — скорее два разных набора рисков и выгод, чем простое деление на «передовое и отсталое».

По мере сокращения разрыва в производительности моделей споры распространяются с чипов и степени открытости на методы обучения. Дистилляция изначально была обычной технологией машинного обучения: более сильная «модель-учитель» генерирует данные, на которых обучают более дешёвую «модель-ученика». Реальная полемика возникает вокруг того, используют ли компании без разрешения и в массовом порядке выходные данные моделей конкурентов и получают ли обучающие данные в обход ограничений доступа. В 2026 году правительство США и такие компании, как Anthropic, публично обвиняли часть китайских компаний в несанкционированной «дистилляции промышленного масштаба»; китайская сторона отрицала обвинения и подчёркивала, что дистилляция сама по себе является нейтральной универсальной технологией. Судя по открытой информации, сам технический метод и вопрос о нарушении контрактов, прав интеллектуальной собственности или правил доступа нужно обсуждать отдельно. Значение этого спора в том, что американо-китайское соперничество уже не только в том, кто обучит более сильную модель, но и в том, какое поведение при обучении моделей считается приемлемым, какие обязательства по безопасности должны нести открытые модели и как существующие законы применяются к трансграничным ИИ-сервисам.

Неопределённость правил, в свою очередь, влияет на структуру отрасли. Если закрытые модели усилят проверку личности, контроль частоты доступа и выявление аномальных вызовов, стоимость получения данных для последующего обучения вырастет; если страны введут более строгие требования к развёртыванию или экспорту открытых моделей, скорость распространения открытых экосистем также может измениться. Поэтому на фоне быстрой коммодитизации возможностей моделей источник данных, лицензионные отношения и способность соблюдать регуляторные требования могут стать новыми барьерами конкуренции.

Судя по текущей картине, ни открытый, ни закрытый подход не вытесняет другой полностью. Передовые закрытые модели по-прежнему могут поднимать верхнюю планку возможностей за счёт интенсивных капиталовложений, передовых вычислений и централизованных исследований; модели с открытыми весами более гибки в издержках, приватном развёртывании и распространении среди разработчиков. Корпоративные клиенты, скорее всего, будут использовать несколько моделей одновременно: для ценных и чувствительных задач — более сильные закрытые системы, для чувствительных к цене или требующих локального развёртывания сценариев — открытые модели. Поэтому американо-китайское соперничество в ИИ всё труднее оценивать одним показателем. Масштаб параметров, бенчмарки и количество GPU по-прежнему важны, но это лишь часть картины. Наблюдать стоит за тем, кто сможет превратить возможности моделей в более низкую стоимость инференса, более широкую сеть разработчиков, более зрелые инструменты, более устойчивую коммерческую выручку и более масштабное внедрение на предприятиях и в реальном секторе. Именно поэтому производство и реальные сценарии выходят в центр конкуренции в ИИ. Обучение больших моделей может опираться на интернет-тексты и синтетические данные, но робототехника, промышленный контроль качества, оптимизация цепочек поставок и проектирование требуют больших объёмов данных из реального мира. Кто быстрее замкнёт цикл «внедрение — данные — новая итерация», у того больше шансов получить устойчивую отраслевую обратную связь на следующем этапе. Этот процесс не обязательно сразу отражается в очередном рейтинге моделей, но может определить, сможет ли ИИ действительно войти в самые разные отрасли. Если раньше конкуренция в ИИ в основном отвечала на вопрос «кто сделает более сильную модель», то на следующем этапе важнее вопрос: кто сможет с приемлемыми издержками превратить модель в инфраструктуру, которой предприятия и отрасли смогут пользоваться долго. Открытость или закрытость — лишь поверхностный выбор; за ним идёт борьба за то, смогут ли предложение вычислений, бизнес-модели, экосистема разработчиков, отраслевые сценарии и система правил образовать взаимно усиливающийся замкнутый контур.