Снижение стоимости обучения нейросетей делает технологию доступнее, а растущий спрос требует масштабных инвестиций в вычислительные мощности. К 2030 году глобальные расходы на ИИ-инфраструктуру могут приблизиться к $1,5 трлн, считают в ARK Invest.
По данным аналитиков, затраты на обучение нейросетей падают на 75% в год. Инференс для моделей с результатом выше 50% в бенчмарках дешевеет еще быстрее — в среднем на 95%.
Удешевление технологии обычно снижает затраты. Однако в случае с искусственным интеллектом ситуация иная: чем доступнее становятся обучение и эксплуатация моделей, тем шире круг задач, где их применение экономически оправдано.
Массовая адаптация ИИ происходит вдвое быстрее, чем в случае с интернетом. Всего за три года проникновение технологии достигло 20%. Всемирной паутине на это потребовалось более шести лет.
Корпоративный спрос также стремительно растет. Объем токен-запросов через OpenRouter с декабря 2024 года увеличился в 28 раз. Anthropic нарастила годовую выручку с $100 млн в 2023 до $14 млрд феврале 2026 года. OpenAI к ноябрю 2025 года вышла на 1 млн бизнес-клиентов.
С момента запуска ChatGPT спрос на ускоренные вычисления взлетел. Годовая выручка Nvidia выросла с $27 млрд в 2022 до $216 млрд в 2025 году. По прогнозам аналитиков, в 2026 году показатель достигнет $350 млрд.
Глобальный рост инвестиций в серверные системы ускорился с 5% в год (в десятилетие до 2022) до 30% в последние три года. По данным ARK, решения на базе GPU и специализированных чипов (ASIC) стали доминирующим сегментом, занимая 86% рынка серверных вычислений.
Частные вложения в ИИ-инфраструктуру в 2025 году превысили $200 млрд, из которых около $80 млрд получили разработчики фундаментальных моделей. Гиперскейлеры ищут альтернативные формы финансирования: сделка Meta с Blue Owl на $30 млрд стала крупнейшей частной капитальной транзакцией в истории.
Рост спроса обострил конкуренцию между производителями оборудования. Компании AMD удалось догнать Nvidia по показателю совокупной стоимости владения (TCO) при инференсе небольших моделей. Однако в сегменте тяжелых моделей Nvidia удерживает лидерство по производительности благодаря архитектуре Grace Blackwell.
Гиперскейлеры активно развивают собственные полупроводниковые решения. Google уже 10 лет проектирует TPU. По оценкам SemiAnalysis, использование кастомных чипов для внутренних задач может снизить стоимость вычислений на 62% в сравнении с архитектурами от Nvidia.
