Что на самом деле ограничивает дальнейший рост ИИ: чипы, энергия, данные или деньги?

ИИ — это не только программа

Представим современный серверный ускоритель — специализированный вычислительный чип, который помогает выполнять огромные объёмы математических операций параллельно. Один такой ускоритель полезен, но для обучения крупнейших моделей нужны уже большие системы из множества ускорителей.

Им требуется очень быстрая память, чтобы данные не ждали вычислительные блоки. Нужны соединения между ускорителями, чтобы они могли работать как одна система. Всё это устанавливают в стойки, охлаждают и снабжают электричеством.

Наглядный пример — NVIDIA GB300 NVL72. Одна такая стойка объединяет 72 графических ускорителя, процессоры, высокоскоростную память и сетевые компоненты. Она использует жидкостное охлаждение, а её полная мощность может достигать примерно 142 кВт. Это не «средняя стойка всех дата-центров», а конкретный современный пример плотности оборудования в системе для крупных ИИ-нагрузок. Источник: NVIDIA

Поэтому вопрос «хватит ли чипов?» на практике распадается на несколько других. Можно ли произвести достаточно передовых вычислительных кристаллов? Хватит ли быстрой памяти? Успеют ли производители собрать и упаковать компоненты? Есть ли нужное сетевое оборудование? Готов ли дата-центр? Можно ли подать ему требуемую мощность именно там, где он построен?

Если одно звено перестаёт быть дефицитным, система всё равно может остаться ограниченной следующим.

Чипы: узкое место может быть не там, где кажется

Разговор о «нехватке GPU» отражает реальную напряжённость, но слишком упрощает происходящее.

TSMC сообщила, что её 2-нм техпроцесс N2 вошёл в массовое производство в четвёртом квартале 2025 года, а N2P и A16 запланированы к массовому выпуску во второй половине 2026 года. Компания одновременно инвестирует в передовое производство и в технологии, которые позволяют собирать несколько сложных компонентов в одну высокопроизводительную систему. Источник: TSMC, Annual Report 2025

Но вычислительный кристалл — только часть системы. Современным ускорителям нужна HBM — очень быстрая память, расположенная рядом с вычислителем. Международное энергетическое агентство в анализе 2026 года отдельно отметило дефицит HBM и ожидало, что напряжённость сохранится как минимум до конца 2027 года. Источник: IEA

Одновременно предложение расширяется. Samsung сообщила о начале массового производства и коммерческих поставок HBM4 и о расширении соответствующих мощностей. Micron также наращивает новое поколение HBM. Samsung · Micron

Это показывает две вещи. Во-первых, ограничение может находиться не в самом вычислительном кристалле, а в памяти, упаковке, сети или другом сопутствующем компоненте. Во-вторых, нынешний дефицит не равен фундаментальному пределу: производители увеличивают мощности в ответ на спрос.

Публичные данные при этом не позволяют честно разложить мировой дефицит по точным долям между кристаллами, HBM, упаковкой и сетевым оборудованием. Поэтому здесь нельзя составить надёжный глобальный рейтинг узких мест.

Что известно: несколько частей передовой полупроводниковой цепочки остаются напряжёнными, а мощности расширяются.

Что не установлено: какое именно звено является единым главным дефицитом для всей индустрии.

Электричество: глобальная картина и локальная проблема — не одно и то же

Энергия кажется очевидным кандидатом на главный предел. Если дата-центры становятся огромными, не упрётся ли ИИ в количество электричества, которое человечество способно произвести?

Данные подтверждают быстрый рост спроса, но не подтверждают простой тезис «электричество заканчивается».

По оценке IEA, все дата-центры мира, а не только ИИ-системы, потребили около 485 ТВт·ч электроэнергии в 2025 году. В центральном прогнозе агентства к 2030 году эта величина вырастает примерно до 950 ТВт·ч, или около 3% мирового спроса на электричество. Это прогноз, а не уже наблюдаемое будущее. Источник: IEA, Key Questions on Energy and AI, 2026

Три процента — значительная нагрузка для быстрорастущей отрасли. Но сама по себе эта цифра не означает, что мировой энергосистеме физически не хватит электричества для ИИ.

Локально проблема может выглядеть совсем иначе.

Большому вычислительному комплексу нужна мощность в конкретном месте, непрерывно и к определённой дате. Для подключения могут потребоваться новые линии передачи, подстанции, трансформаторы, генерация и разрешения. Поэтому глобальное наличие электроэнергии ничего не гарантирует конкретной площадке.

IEA оценивает, что без устранения выявленных сетевых рисков около 20% планируемых проектов дата-центров могут оказаться под угрозой задержек. Это именно оценка риска, а не утверждение, что 20% проектов уже задержаны. Агентство также отмечает многолетние сроки строительства линий передачи и увеличившиеся сроки поставки ключевого сетевого оборудования. Источник: IEA, Energy and AI, 2025

Реальный пример локальной концентрации нагрузки даёт Вирджиния. Управление энергетической информации США сообщает, что коммерческие продажи электричества в штате резко выросли в 2019–2025 годах, во многом из-за концентрации дата-центров. Оператор PJM ожидает дальнейший сильный рост пиковой нагрузки в зоне Dominion, главным образом из-за дата-центров. Это важный пример — но только для конкретного региона, а не доказательство глобальной проблемы. Источник: U.S. EIA

Поэтому аккуратнее говорить так: в ближайшие годы электрическая проблема для ИИ лучше подтверждена как проблема доставки мощности в нужное место и в нужный срок, а не как уже доказанная глобальная нехватка энергии.

Деньги: большие бюджеты не отменяют физические сроки

У крупнейших технологических компаний есть мощный инструмент против дефицита — капитальные расходы. Они могут заранее заказывать оборудование, строить дата-центры и финансировать энергетические проекты.

Масштаб уже огромен. IEA сообщает, что капитальные расходы пяти крупнейших технологических компаний превысили 400 млрд долларов в 2025 году и, по оценке агентства, могут вырасти ещё примерно на 75% в 2026 году. При этом IEA отдельно предупреждает: строительство дата-центров стало настолько капиталоёмким, что всё сильнее зависит не только от собственных денег компаний, но и от условий на рынках капитала. Источник: IEA

Microsoft хорошо показывает границу между деньгами и физической мощностью. Во втором квартале 2026 финансового года компания сообщила о 37,5 млрд долларов капитальных расходов за квартал, примерно две трети из которых пришлись на более короткоживущие активы, главным образом GPU и CPU. В следующем квартале руководство ожидало около 190 млрд долларов капитальных расходов за календарный 2026 год и одновременно заявляло, что спрос продолжает превышать доступную мощность и ограничения, вероятно, сохранятся как минимум до конца 2026 года. Microsoft FY2026 Q2 · Q3

Это не значит, что деньги не важны. Они определяют, кто может заказать больше оборудования, строить несколько площадок одновременно и выдерживать очень дорогую гонку инфраструктуры.

Но деньги не превращают многолетний физический процесс в мгновенный. Новую фабрику, линию памяти, подстанцию, трансформатор или дата-центр нужно построить, оснастить, проверить и подключить.

Для самых богатых компаний капитал сейчас поэтому выглядит скорее как средство бороться с другими ограничениями, чем как единственная установленная стена. Для компаний без таких бюджетов стоимость инфраструктуры, напротив, может быть прямым барьером доступа.

Есть и более важная граница: капитальные расходы нельзя напрямую переводить в способности модели. В проверенных источниках нет надёжного коэффициента вида «ещё 10 млрд долларов дают столько-то дополнительных возможностей ИИ». Деньги идут не только на обучение новых моделей, но и на обслуживание пользователей, замену оборудования, сети, здания и другие части инфраструктуры.

Данные: конечен один вид сырья, а не «вся информация»

С данными ситуация отличается от электричества и чипов. Можно построить ещё одну электростанцию или фабрику, но уже существующий объём человеческого текста нельзя бесконечно увеличивать задним числом.

Pablo Villalobos и соавторы оценили эффективный запас публичного человеческого текста примерно в 300 трлн токенов с широкой неопределённостью. Токен — это небольшой фрагмент текста, которым модель оперирует при обучении; оценка исследователей также учитывает качество данных и возможность использовать часть материала больше одного раза. При продолжении прежних тенденций их модель давала окно полного использования такого запаса примерно между 2026 и 2032 годами. Исследование · страница Epoch AI

Но вывод «данные заканчиваются» был бы слишком сильным.

Исследование относится к публичному человеческому тексту. Оно не охватывает как единый запас все изображения, видео, аудио, частные наборы данных, данные взаимодействия со средой или будущие способы создания обучающего сигнала.

Кроме того, данные можно повторно использовать. В экспериментах Muennighoff и соавторов несколько проходов по одному набору данных давали почти такую же отдачу, как свежие данные при сопоставимом объёме вычислений, прежде чем выгода от повторения начинала резко снижаться. Это не доказывает, что крупнейшие модели можно бесконечно обучать на одном корпусе, но показывает, что ценность данных не исчезает после первого прохода. Исследование

Есть и синтетические данные — обучающие примеры, созданные моделями. Они могут быть полезны в некоторых задачах, особенно когда качество результата можно проверить. Но исследования также показывают, что результат сильно зависит от способа генерации, отбора и смешивания таких данных. Поэтому тезис «модели просто создадут себе бесконечный качественный датасет» тоже пока не подтверждён. Feng et al. · Zhu et al.

Самая аккуратная формулировка сегодня такая: уникальный публичный человеческий текст конечен, поэтому старый рецепт “просто добавим ещё такого же текста” не может масштабироваться бесконечно. Но не установлено, что именно это станет главным ограничением ИИ в ближайшие два-три года или что альтернативные источники обучающего сигнала не смогут заметно ослабить проблему.

Главное возражение против любого простого прогноза — эффективность

До сих пор мы обсуждали, сколько физических ресурсов требует ИИ. Но требования меняются не только потому, что модели становятся крупнее. Само оборудование и методы обучения позволяют со временем получать тот же измеряемый результат за меньшее количество вычислений или электричества.

По данным Epoch AI, производительность ускорителей на ватт в их исторической выборке росла в среднем примерно на 34% в год с 2008 по 2025 год. В отдельном исследовании 231 языковой модели авторы оценили, что вычислительные затраты для достижения фиксированного уровня качества предобучения исторически сокращались примерно вдвое каждые восемь месяцев — это порядка трёхкратного улучшения за год. Epoch AI Trends · Algorithmic progress in language models

Эти числа нельзя превращать в закон природы. Второй результат относится именно к качеству предобучения языковых моделей, а не ко всем способностям ИИ. Не установлено, что прежний темп сохранится для будущего рассуждения, видео, агентов или других типов систем.

Тем не менее сам эффект важен: если для некоторого фиксированного результата требуется меньше вычислений, вчерашний физический предел может отодвинуться.

Но из этого не следует, что общее потребление ресурсов должно падать. IEA сообщает, что энергозатраты на отдельную простую ИИ-задачу в последние годы быстро снижались, тогда как суммарное энергопотребление дата-центров продолжало расти. Одновременно распространяются более энергоёмкие задачи — например, генерация видео, длительное рассуждение и работа агентов. Источник: IEA

Простой условный пример: если одна операция становится в десять раз дешевле, но люди начинают выполнять таких операций в сто раз больше, суммарное потребление всё равно вырастет. Это иллюстрация механизма, а не измерение реального рынка.

Поэтому две фразы могут быть верны одновременно:

• ИИ становится заметно эффективнее.
• Инфраструктура ИИ в сумме потребляет всё больше ресурсов.

Эффективность не обязательно снимает ограничения. Она меняет их положение и может переносить узкое место дальше по цепочке.

Так что же ограничивает рост ИИ прямо сейчас?

Самая соблазнительная ошибка — составить красивый рейтинг: «№1 — электричество, №2 — чипы, №3 — данные».

Публичные данные такой точности не дают.

Лучше подтверждается другая картина: на горизонте примерно 12–36 месяцев наиболее заметной общей проблемой выглядит скорость физического развёртывания всей инфраструктурной цепочки. Это аналитический вывод AI Futures из совокупности источников, а не одна измеренная мировая величина.

В эту цепочку входят производство передовых компонентов и памяти, их упаковка и соединение, строительство дата-центров, поставка энергетического оборудования, подключение к сети и ввод всего комплекса в работу.

Такой вывод объясняет сразу несколько наблюдений:

• компании способны тратить огромные суммы и всё равно сообщать об ограниченной доступной мощности;
• производители чипов и памяти расширяют предложение, но отдельные слои цепочки остаются напряжёнными;
• мировая электроэнергия в целом и возможность быстро подключить конкретный дата-центр — разные вещи;
• эффективность растёт, но общий спрос на вычисления тоже растёт;
• когда одно звено расширяется, узкое место способно перейти в другое.

Поэтому полезнее думать не об одной «стене», а о движущейся цепочке ограничений.

Что может произойти дальше

На горизонте двух-трёх лет данные допускают несколько разных путей.

Предложение догоняет спрос. Новые мощности по памяти, упаковке, чипам, дата-центрам и энергетике вводятся достаточно быстро, а эффективность продолжает улучшаться. Тогда нынешние ограничения ослабевают.

Спрос растёт ещё быстрее. Более длительное рассуждение, агенты, видео и массовое внедрение увеличивают использование быстрее, чем вводится новая инфраструктура. Тогда система остаётся напряжённой даже на фоне огромной стройки.

Узкое место мигрирует. Например, памяти становится достаточно, но проект упирается в подключение к электросети. Или электричество есть, но следующей проблемой становится сеть между вычислительными системами.

Сегодня нет достаточных оснований считать один из этих путей неизбежным.

Есть и модели более дальнего горизонта. Например, Epoch AI в 2024 году совместно моделировала ограничения по электрической мощности, производству чипов, данным и коммуникациям. При её предпосылках масштабирование очень крупных обучающих запусков могло продолжаться к 2030 году; на ещё больших масштабах первой физической проблемой в модели чаще становилась мощность, затем производство чипов. Источник: Epoch AI

Но это сценарная модель, построенная на предпосылках, а не наблюдение из будущего. Она не доказывает ни то, что масштабирование обязательно продолжится до 2030 года, ни то, что электричество обязательно его остановит.

Draft v2 claim ceiling

This Draft must not be interpreted as claiming: - a universal single bottleneck in 2026; - global electricity scarcity caused by AI; - permanent GPU/HBM/packaging scarcity; - total exhaustion of training data; - a known date when scaling ends; - that capex converts proportionally into capability; - that historical efficiency trends will continue unchanged; - that the Epoch 2030 model is an observed or certain future.