Ещё пару лет назад китайские нейросети на Западе часто воспринимали примерно так:
Ну да, есть какие-то местные аналоги ChatGPT. Наверное, дешевле. Наверное, хуже.
Очень удобная картина.
Есть OpenAI. Есть Google. Есть Anthropic. Они двигают технологию вперёд, а остальные постепенно догоняют, копируют удачные решения и конкурируют прежде всего ценой.
В 2026 году эта схема уже плохо описывает происходящее.
Вчера Alibaba выпустила обновление Qwen3.8-Max, модели с контекстом до миллиона токенов, мультимодальным восприятием, усиленным программированием и работой с несколькими инструментами. DeepSeek ещё весной представила семейство V4 с тем же миллионным контекстом и открытыми весами. Moonshot развивает Kimi, Tencent выкатывает собственные открытые модели, Zhipu строит линейку GLM, а китайские компании всё активнее лезут в агентов, программирование и робототехнику.
Причём конкуренция идёт уже не по принципу:
Сделаем примерно как американцы, только подешевле.
Китайский рынок начал вырабатывать собственную модель развития AI.
Очень большие модели.
Очень дешёвый inference.
Открытые веса.
Бешеный темп релизов.
И всё более тесное соединение нейросетей с реальным производством, роботами и китайским железом.
И вот это уже интересно.
DeepSeek был скорее началом истории, чем исключением
В начале 2025 года DeepSeek стал для широкой аудитории тем самым китайским AI, после которого многие впервые спросили:
Погодите. А почему это вообще настолько хорошо работает?
Но самое важное произошло потом.
Компания не исчезла после одного громкого релиза.
В декабре 2025 года появился DeepSeek-V3.2 с усиленным reasoning и агентными возможностями. А в апреле 2026-го вышла предварительная версия семейства DeepSeek-V4.
V4-Pro имеет около 1,6 триллиона общих параметров, но благодаря архитектуре mixture-of-experts при конкретном запросе активно только около 49 миллиардов. Более лёгкая V4-Flash — 284 миллиарда общих и примерно 13 миллиардов активных параметров. Обе модели получили контекст до миллиона токенов.
То есть инженерная идея здесь довольно понятная.
Не заставлять всю огромную нейросеть работать над каждым словом.
Подключать только нужную часть.
Это позволяет строить очень большую модель, не превращая каждый запрос в небольшой энергетический кризис.
А главное оружие DeepSeek — цена
Вот здесь китайские разработчики действительно начали давить рынок очень сильно.
К августу 2026 года DeepSeek предлагала V4-Flash по цене примерно 14 центов за миллион входных токенов и 28 центов за миллион выходных. Reuters сравнивал её с американскими конкурентами и отмечал колоссальную разницу в стоимости inference.
Это уже не:
немного дешевле ChatGPT.
Это другой порядок цен.
Конечно, сравнивать модели исключительно по прайсу бессмысленно. Мы буквально в предыдущей статье разбирали, почему дорогая модель иногда оказывается экономнее дешёвой, если лучше справляется с задачей.
Но если качество становится достаточным, цена внезапно начинает иметь огромное значение.
Особенно для систем, где нейросеть работает не десять раз в день, а десять миллионов.
Потому что чат с пользователем — дешёвая нагрузка
Представьте человека.
Он за день отправил нейросети двадцать запросов.
Даже дорогая модель не разорит компанию только на нём.
Теперь представим AI-агента.
Он получил задачу и внутри неё сделал:
поиск;
анализ;
три вызова инструмента;
проверку результата;
повторный поиск;
написание файла;
тестирование;
ещё одну проверку.
Один пользовательский запрос породил двадцать обращений к модели.
А если таких агентов миллион?
Вот здесь цена каждого миллиона токенов превращается уже не в мелочь, а в инфраструктурный вопрос.
И неудивительно, что китайские разработчики настолько агрессивно оптимизируют именно стоимость.
Они явно рассчитывают не только на чат-ботов.
Они рассчитывают на массовую машинную работу.
Alibaba идёт ещё дальше масштабом
В августе Alibaba показала Qwen3.8-Max.
Reuters называл её крупнейшей моделью компании на тот момент: около 2,4 триллиона параметров, из которых примерно 95 миллиардов активируются для конкретного запроса. Модель получила контекст до миллиона токенов и умеет работать не только с текстом, но и с изображениями и видео.
А буквально 2 сентября вышло новое обновление Qwen3.8-Max-0902.
Alibaba отдельно подчёркивает усиление программирования, работу над длинными инженерными задачами, мультиагентное взаимодействие и использование инструментов. Контекст в миллион токенов сохранился, как и встроенное мультимодальное восприятие.
Посмотрите, куда направлены улучшения.
Не:
пишет стихи на 7% красивее.
А:
может дольше работать над задачей, пользоваться инструментами и участвовать в агентных системах.
Это очень характерно для нынешней фазы AI.
Главным полем боя постепенно становятся не ответы.
А работа.
Миллион токенов контекста — это тоже не просто маркетинговая цифра
Контекст — это объём информации, который модель способна удерживать в одном запросе.
Миллион токенов — это уже огромный документ.
Несколько книг.
Большая кодовая база.
История длинного проекта.
Сотни страниц технической документации.
Конечно, наличие окна в миллион токенов не означает, что модель идеально понимает каждую строчку внутри него. Это отдельная большая проблема: длинный контекст ещё нужно уметь нормально использовать.
Но архитектурно становится возможной совсем другая работа.
Не:
вот функция на 80 строк, найди ошибку.
А:
вот большой проект, документация и история изменений — разбирайся.
Для AI-агентов это принципиально.
И Китай явно делает ставку на открытые веса
Здесь нужно аккуратно с терминологией.
Очень часто всё называют open source.
Но настоящая открытость может означать разные вещи.
Можно опубликовать веса модели — то есть дать возможность скачать и запускать уже обученную нейросеть.
Можно дополнительно открыть код.
Можно раскрыть архитектуру и технический отчёт.
А можно опубликовать ещё и тренировочные данные, промежуточные checkpoints и весь процесс обучения.
Последний вариант встречается намного реже.
Reuters как раз недавно отдельно обращал внимание на эту разницу: многие китайские компании публикуют open-weight модели, но это не обязательно полный open source в классическом понимании.
Тем не менее для разработчика открытые веса уже дают огромное преимущество.
Потому что модель можно забрать себе
Закрытая нейросеть живёт у производителя.
Вы отправляете запрос.
Получаете ответ.
Компания завтра поменяла тариф — принимаем.
Изменила модель — принимаем.
Закрыла API — неприятно.
В открытом варианте можно скачать веса и запустить модель:
на собственном сервере;
в частном облаке;
у другого провайдера;
на специализированном железе.
Для обычного пользователя это почти неважно.
Для бизнеса и государств — очень даже.
Особенно когда речь идёт о чувствительных данных или огромных объёмах запросов.
И здесь появляется довольно необычная конкуренция
Американская модель рынка долго выглядела примерно так:
Самые мощные модели — закрытые сервисы.
OpenAI.
Anthropic.
Google.
Китайские компании в значительной степени давят с другой стороны:
Вот достаточно сильная модель. Хотите — используйте через API. Хотите — запускайте сами.
Конечно, Meta тоже много лет развивает открытые модели Llama, так что это вовсе не чистое разделение:
Америка закрытая, Китай открытый.
Так говорить было бы неправильно.
Но именно китайские разработчики за последние два года сделали открытые веса ключевой частью собственной конкурентной стратегии.
И судя по рынку, стратегия работает.
Настолько, что вокруг открытых моделей выстраивается отдельная экономика
Сегодня Hugging Face является фактически огромным каталогом и инфраструктурой для распространения моделей.
На площадке живут модели Alibaba, DeepSeek, Tencent, Zhipu, Meta и множества небольших команд.
Для разработчика это меняет выбор.
Раньше вопрос выглядел:
OpenAI или Anthropic?
Теперь:
А зачем вообще привязываться к одному поставщику?
Можно подобрать модель под задачу.
Одна хороша в коде.
Другая дешёвая.
Третья помещается на собственное железо.
Четвёртая лучше работает с изображениями.
И это довольно сильно меняет власть на рынке.
Причём Alibaba уже пытается понять, как на этой открытости зарабатывать
В августе Reuters сообщал, что Alibaba готовит новую коммерческую модель для крупных пользователей Qwen3.8-Max: веса остаются доступными, но для особенно больших коммерческих внедрений может появляться revenue sharing — доля от выручки.
И это совершенно логичная проблема.
Обучение модели стоит огромных денег.
Если просто отдать её всем бесплатно и люди запускают её у себя, где бизнес?
Можно продавать облако.
Поддержку.
Инфраструктуру.
Enterprise-сервисы.
Лицензирование для очень крупных клиентов.
Сейчас рынок экспериментирует с экономикой почти так же активно, как с самими архитектурами.
Но Qwen и DeepSeek — далеко не весь китайский AI
Вот это часто теряется.
На Западе знают DeepSeek.
Немного Qwen.
И кажется, что на этом всё.
На самом деле китайский рынок сейчас довольно тесный и агрессивный.
Есть Alibaba с Qwen.
DeepSeek.
Moonshot с Kimi.
Zhipu AI с GLM.
Tencent.
ByteDance.
MiniMax.
И большое количество более специализированных компаний.
В конце августа Tencent выпустила очередную открытую модель, ориентированную на программирование, исследования и финансовый анализ.
Zhipu в первой половине 2026 года увеличила выручку примерно в пять раз, хотя компания по-прежнему работает с большими убытками и много тратит на исследования.
То есть конкуренция внутри самого Китая ничуть не спокойнее, чем между Китаем и США.
А Moonshot вообще решила строить огромные модели
Сегодня компания развивает семейство Kimi.
Reuters 3 сентября писал о Kimi K3 с 2,8 триллиона параметров и о том, что Moonshot обсуждает размещение своих моделей у крупных американских облачных провайдеров.
Это довольно символично.
Несколько лет назад разговор был:
смогут ли китайские компании получить доступ к достаточным вычислениям, чтобы вообще конкурировать?
Теперь:
будут ли американские облака зарабатывать на предоставлении китайских моделей своим клиентам?
Не обязательно именно так всё закончится — переговоры ещё не готовый продукт.
Но направление меняется очень быстро.
Самое интересное происходит из-за ограничений на железо
Китайские AI-компании развиваются в совершенно особой среде.
С одной стороны — гигантский внутренний рынок, производство электроники, огромные технологические корпорации и государственная поддержка AI.
С другой — ограничения США на поставку наиболее передовых вычислительных ускорителей.
Логичный ответ:
раз железо дорого и ограничено, будем эффективнее использовать то, что есть.
Отсюда огромный интерес к mixture-of-experts, sparse attention, quantization, более дешёвому inference и китайским ускорителям.
DeepSeek, например, активно экспериментирует с архитектурами, позволяющими уменьшать стоимость обработки длинного контекста. Ещё в V3.2 компания ввела DeepSeek Sparse Attention именно для повышения эффективности обучения и inference, а V4 продолжает линию очень больших моделей с сравнительно небольшим количеством активных параметров.
Ограничение стало инженерным стимулом.
И теперь начинают появляться модели, рассчитанные на китайские чипы
Zhipu в 2026 году отдельно выпустила GLM-5.3-Flash, разработанную для работы на китайском вычислительном железе. Reuters связывал этот шаг именно со стремлением уменьшить зависимость от импортных ускорителей.
Пока это не означает:
Китай больше не нуждается в NVIDIA.
Очень даже нуждается.
Передовые ускорители всё ещё дают огромное преимущество.
Но появляется отдельная экосистема:
китайская модель;
китайский AI-фреймворк;
китайский ускоритель;
китайский дата-центр.
Если она станет достаточно хорошей, география AI сильно изменится.
Потому что раньше технологический стек был удивительно американским
Модель — американская.
GPU — NVIDIA.
Облако — AWS, Azure или Google.
Фреймворки — в значительной степени американские проекты.
Платформа распространения — Hugging Face.
Для очень многих стран использование современного AI практически автоматически означало использование американской технологической цепочки.
Китай пытается построить альтернативную.
Не обязательно лучшую во всём.
Достаточно достаточно хорошую и независимую.
Для государства с населением больше миллиарда человек этого уже хватает, чтобы создать колоссальный рынок.
А дальше появляется робототехника
И вот здесь две наши последние темы неожиданно соединяются.
В августе DeepSeek инвестировала около $20,8 млн в IPO Unitree и договорилась о сотрудничестве в разработке AI для человекоподобных роботов. Unitree получает доступ к моделям и AI-компетенциям DeepSeek, а DeepSeek — к роботическим платформам и данным физического мира.
Это очень логичный союз.
Мы последние недели подробно разбирали, что у китайской робототехники уже довольно хорошо получается тело.
Моторы.
Редукторы.
Батареи.
Производство.
Дешёвые гуманоиды.
Но телу нужен мозг.
DeepSeek много лет занимается ровно противоположной частью:
моделями;
reasoning;
агентами;
кодом.
Склеиваем.
Получается Physical AI.
И здесь у Китая действительно есть структурное преимущество
Не обязательно в нейросетях.
Не обязательно в роботах.
А в возможности быстро соединить цифровой интеллект с массовым производством железа.
Шэньчжэнь и соседние производственные регионы имеют огромное количество поставщиков электроники, приводов, сенсоров, батарей, камер, контроллеров и механики.
Нужно изменить корпус?
Поставщик рядом.
Новый мотор?
Есть несколько вариантов.
Новая плата?
Быстро изготовили.
В западном стартапе великолепный AI может долго ждать, пока физический прототип пройдёт длинную производственную цепочку.
В Китае цикл аппаратной итерации может быть значительно короче.
Reuters буквально сегодня писал о потоке предпринимателей и инвесторов, которые приезжают смотреть китайские AI-, EV- и робототехнические предприятия именно из-за скорости внедрения технологий в реальное производство. (Reuters)
Это уже не история про «дешёвую фабрику».
Это история про скорость инженерного цикла.
Но не будем превращать Китай в новую технологическую религию
После периода:
Китай умеет только копировать
очень легко качнуться в противоположную глупость:
Китай уже всех победил.
Нет.
Американские лаборатории по-прежнему находятся на самом переднем крае множества направлений.
Google DeepMind делает великолепные исследования в reasoning, науке и робототехнике.
OpenAI и Anthropic двигают агентные модели.
Американская экосистема AI-чипов остаётся чрезвычайно сильной.
NVIDIA вообще занимает уникальное положение.
У Китая есть серьёзные проблемы с доступом к самому передовому вычислительному оборудованию, а монетизация некоторых китайских AI-компаний всё ещё значительно отстаёт от американских лидеров. Reuters, например, отмечал этот разрыв даже на фоне быстрого роста Zhipu.
Поэтому нормальная картина — не:
кто победил?
А:
появилось как минимум два огромных центра AI-развития с разной экономикой.
И это невероятно полезно для пользователя
Потому что монополия всегда довольно скучная штука.
Если существует только одна великолепная модель, производитель может назначать цену практически как хочет.
Когда моделей десять и половину можно запускать самостоятельно, начинается нормальная конкуренция.
Американская компания выпускает дорогую модель.
Китайская отвечает дешёвой.
Одна увеличивает контекст.
Другая делает multimodal.
Третья улучшает coding.
Четвёртая выкладывает веса.
В итоге даже человеку, который никогда в жизни не откроет китайский AI, становится выгоднее.
Его любимая американская нейросеть вынуждена быстрее развиваться и снижать стоимость.
Это уже произошло с ценой inference
Несколько лет назад использование сильной модели через API было довольно дорогим удовольствием.
Сейчас рынок буквально соревнуется:
кто дешевле обработает миллион токенов?
DeepSeek толкает цену вниз.
Alibaba давит масштабом Qwen.
Американские разработчики выпускают мини- и flash-версии.
Каждая следующая модель вынуждена отвечать не только на вопрос:
насколько она умная?
Но и:
сколько стоит её интеллект?
И именно поэтому сегодня я вообще перестал относиться к одной конкретной нейросети как к религии.
У меня самого разные модели делают разную работу
Мы только что обсуждали мой конвейер Дзен-каналов.
DeepSeek там используется для массовых дешёвых этапов.
Claude — для редакторской работы.
Sol — для финальной проверки.
Не потому, что одна хорошая, а остальные плохие.
Просто задачи разные.
Та же логика всё быстрее распространяется на обычного пользователя.
Одна модель лучше пишет код.
Другая рассуждает.
Третья делает изображения.
Четвёртая генерирует видео.
Пятая просто очень дешёвая.
И в какой-то момент держать по отдельной подписке на всё это становится довольно утомительно.
Поэтому для обычной работы мне нравится идея агрегаторов вроде Syntx AI: там больше сотни нейроинструментов в одной подписке, и можно выбирать модель под задачу, не сооружая дома маленький филиал бухгалтерии из отдельных подписок. Это как раз становится полезнее по мере того, как рынок дробится на десятки сильных специализированных моделей.
Причём название модели постепенно будет значить меньше
Сегодня человек говорит:
Я пользуюсь ChatGPT.
Через несколько лет приложение может внутри одного запроса использовать сразу несколько систем.
Человек пишет задачу.
Небольшая локальная модель классифицирует её.
Qwen анализирует документ.
DeepSeek пишет кусок кода.
Другая модель проверяет результат.
Видеогенератор делает ролик.
Пользователь вообще не знает, кто что сделал.
Для него существует:
мой AI-помощник.
А под капотом — рынок моделей.
Мы уже видели ровно такую эволюцию с облачными технологиями. Обычный человек не знает, на каком именно сервере сейчас лежит его фотография.
И ему совершенно всё равно.
Вот почему открытые модели особенно опасны для брендов
Если лучший AI всегда существует только внутри одного приложения, бренд очень силён.
Хочу GPT — иду в ChatGPT.
Но если веса можно запускать где угодно, модель превращается почти в компонент.
Сегодня она работает внутри сервиса А.
Завтра внутри Б.
Через месяц её вообще заменили новой версией, а пользователь не заметил.
Получается странная ситуация:
чем открытее модель, тем меньше значение её собственного интерфейса.
Это отлично для разработчиков.
И сложнее для компании, которая хочет построить миллиардный потребительский бренд.
Alibaba, DeepSeek и остальные поэтому одновременно играют в две игры
Первая:
сделаем максимально сильную модель.
Вторая:
построим вокруг неё экосистему, прежде чем модель станет обычным commodity.
Alibaba имеет собственное облако и огромную корпоративную экосистему.
Tencent — мессенджеры, игры, облака и финансовые сервисы.
ByteDance — колоссальные потребительские платформы.
DeepSeek пока значительно больше похожа именно на AI-лабораторию.
И здесь становится понятно, почему борьба за агентов так важна.
Если модель начинает выполнять работу, а не только отвечать, вокруг неё можно построить куда более липкую инфраструктуру.
Код оказался первым большим полем битвы
Почему почти все современные модели так много рекламируют coding?
Потому что код — идеальная задача для AI.
Результат можно проверить.
Программа запустилась или нет.
Тест прошёл или нет.
Компилятор сообщил ошибку.
То есть есть относительно объективная обратная связь.
Qwen3.8-Max в свежем сентябрьском обновлении особенно усилила именно работу над крупными инженерными проектами и долгими автономными coding-задачами. DeepSeek V4 тоже делает серьёзную ставку на agentic coding.
Не случайно.
Программист становится одним из первых пользователей настоящих AI-агентов.
Потом та же механика полезет во все остальные профессии
Финансы.
Исследования.
Маркетинг.
Документы.
Аналитика.
Проектирование.
Главная проблема в этих областях сложнее, потому что правильность результата не всегда можно автоматически проверить.
Но направление одно.
Модель перестаёт быть:
очень умным полем ввода текста.
Она становится исполнителем внутри рабочего процесса.
И здесь Китай может оказаться особенно сильным именно благодаря сочетанию дешёвых моделей и огромного масштаба внедрения.
Дорогой агент хорош для человека.
Дешёвый агент хорош для экономики.
Представьте завод с десятью тысячами AI-операций в секунду
Камеры что-то распознают.
Роботы планируют движения.
Система проверяет качество.
Агент анализирует сбой.
Другая модель пересчитывает расписание.
Третья читает документацию.
Здесь разница между:
один запрос стоит три цента
и
один запрос стоит три тысячных цента
становится огромной.
Поэтому китайское стремление сделать AI дешевле может оказаться куда важнее очередной победы в benchmark.
Электричество изменило мир не тогда, когда стало технически возможным.
А когда стало достаточно доступным, чтобы использовать его везде.
С AI вполне может произойти похожая история.
И тогда победителем станет не обязательно самая умная нейросеть
Очень сильная модель за $100 выполняет задачу идеально.
Чуть менее сильная за $1 выполняет её достаточно хорошо.
Какую поставят в миллион устройств?
Ответ далеко не очевиден.
Инженерия вообще редко выбирает абсолютный максимум.
Она выбирает достаточный результат при приемлемой цене.
Toyota не ставит двигатель от Formula 1 в каждую Corolla.
Не потому, что не понимает преимуществ мощности.
Просто автомобилю нужно нормально ездить.
С нейросетями будет то же самое.
Именно здесь китайская стратегия выглядит наиболее опасной для конкурентов
Не обязательно сделать модель, которая на каждом тесте первая.
Достаточно сделать модель:
почти такую же хорошую;
в несколько раз дешевле;
с открытыми весами;
удобную для самостоятельного запуска;
адаптируемую под конкретную задачу.
Для огромной части рынка этого хватит.
А затем разработчик уже начинает спрашивать не:
где самый умный AI в мире?
А:
зачем я вообще столько плачу?
И это неприятный вопрос для любой компании с высокой маржой.
Но и китайские модели сталкиваются с собственными проблемами
Есть вопросы цензуры и ограничений на чувствительные для китайского законодательства темы.
Есть ограничения на доступ к современным западным GPU.
Есть сложная геополитика.
Есть недоверие части западных корпоративных заказчиков к обработке данных китайскими сервисами.
Есть риск экспортных ограничений уже против самих китайских моделей и компаний.
И наконец, публикация весов вовсе не делает модель автоматически безопасной, прозрачной или независимой.
Модель всё равно является результатом конкретного тренировочного процесса со своими ограничениями.
Поэтому:
открытая = хорошая
такое же плохое упрощение, как:
китайская = копия.
Зато теперь у пользователя появился настоящий выбор
Это, пожалуй, главное изменение последних двух лет.
Рынок больше не выглядит как гонка двух-трёх закрытых лабораторий.
Есть американские модели.
Китайские.
Европейские.
Ближневосточные.
Полностью открытые исследовательские проекты.
Маленькие локальные модели.
Огромные агентные системы.
Мультимодальные.
Специализированные.
Причём буквально сегодня институт из Абу-Даби выпустил семейство K2 Horizon, где открыт уже не только набор весов, но и тренировочные данные, код, методология и промежуточные состояния моделей. Reuters отдельно противопоставил такой подход типичному open-weight формату.
То есть следующий этап конкуренции может идти уже по вопросу:
насколько открытым вообще должен быть AI?
И здесь история становится намного больше Китая
DeepSeek просто сильно ускорила процесс.
Она показала рынку, что сильная модель необязательно должна существовать только внутри закрытого американского сервиса с дорогим API.
Alibaba продолжила масштабировать эту идею.
Moonshot, Tencent, Zhipu и остальные усиливают конкуренцию.
Теперь похожие модели выпускают всё больше стран и организаций.
Пожалуй, это и есть главный вклад нынешней китайской волны.
Не:
Китай сделал свой ChatGPT.
Это произошло давно и само по себе не особенно интересно.
А:
Китай помог превратить большие языковые модели из уникальных продуктов нескольких лабораторий в конкурентный промышленный рынок.
Вот это уже большое изменение.
Через несколько лет мы можем вообще перестать обсуждать национальность нейросети
Сегодня название модели несёт огромную информационную нагрузку.
ChatGPT — Америка.
DeepSeek — Китай.
Mistral — Франция.
Qwen — Alibaba.
Но если модель запускается у меня на собственном сервере, что именно в ней «китайского» с точки зрения ежедневной работы?
Архитектура?
Команда разработчиков?
Тренировочный датасет?
Лицензия?
Это всё важные вопросы.
Но для пользователя постепенно начинает доминировать другое:
Хорошо работает?
Сколько стоит?
Можно доверить данные?
Можно подключить к моей системе?
Не исчезнет завтра?
И это признаки зрелого рынка.
Поэтому я бы уже не спрашивал, догнал ли Китай США в искусственном интеллекте
Такой вопрос слишком похож на футбольную таблицу.
Кто первый.
Кто второй.
Сколько очков.
AI развивается значительно страннее.
Одна компания делает лучшую reasoning-модель.
Другая — лучший код.
Третья — дешёвый inference.
Четвёртая — роботические модели.
Пятая строит инфраструктуру.
Китай может отставать в одном слое и одновременно очень быстро становиться лидером в другом.
Гораздо важнее наблюдать, какую экономику вся эта конкуренция создаёт.
А она уже меняется.
Сильный искусственный интеллект становится дешевле гораздо быстрее, чем мы привыкли
Это, пожалуй, ключевая мысль.
Сегодняшний AI поражает возможностями.
Но для массовой экономики важнее другое:
цена единицы интеллекта падает.
То, ради чего вчера требовалась дорогая флагманская модель, завтра делает Flash.
То, что вчера существовало только в облаке, послезавтра запускается локально.
Модель, которую год назад считали огромной, сегодня может оказаться обычным компонентом системы.
Китайские разработчики очень сильно ускоряют именно этот процесс.
И поэтому Qwen, DeepSeek и остальные уже нельзя воспринимать как дешёвые аналоги американских нейросетей.
Дешевизна сама стала их технологической стратегией.
Возможно, именно поэтому следующий этап AI окажется куда менее зрелищным
Не появится одна модель, которая объявит:
Я победила всех.
Скорее тысячи моделей тихо расползутся по:
телефонам;
автомобилям;
роботам;
CRM;
заводам;
редакциям;
банкам;
программам.
Большинство людей даже не будут знать их названий.
Нейросеть станет просто ещё одним вычислительным компонентом.
Как база данных.
Как процессор.
Как интернет-соединение.
И если именно так всё произойдёт, то одной из главных сил, толкнувших рынок в эту сторону, окажется нынешняя китайская AI-гонка.
Не потому, что Китай придумал искусственный интеллект.
И даже не потому, что обязательно создаст самую умную модель.
А потому, что заставил всю индустрию задать гораздо более неприятный и практичный вопрос:
А почему интеллект вообще должен стоить так дорого?
И вот на этот вопрос американским лабораториям теперь придётся отвечать каждым следующим релизом.
