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

У роста ИИ нет одного вечного ограничения. Для разных компаний и периодов узким местом становятся чипы, память, электричество, подключение к сети, данные, строительство или деньги. В ближайшие годы главным общим риском выглядит скорость развёртывания всей цепочки, а не окончательное исчерпание одного ресурса.

Масштаб стал физическим

Факт. Одна стойка NVIDIA GB300 NVL72 объединяет 72 ускорителя и в типовой конфигурации требует примерно 142 кВт мощности. Это конкретная система, а не среднее значение для дата-центра, но она показывает, почему новые кластеры требуют электросетей, охлаждения и строительства промышленного масштаба.

IEA оценивает мировое потребление электричества дата-центрами примерно в 945 ТВт·ч к 2030 году — почти вдвое больше текущего уровня и чуть меньше 3% мирового потребления. Электричество для центров, ориентированных на ИИ, по прогнозу может утроиться. Это прогноз при заданных предпосылках, а не уже состоявшийся расход.

По оценке IEA, около 20% запланированных проектов могут столкнуться с задержками, если не ускорить подключение к сетям. «Под риском» не означает «уже задержаны».

Чипы и деньги тоже не бесконечны

TSMC начала массовое производство поколения N2 в конце 2025 года и планирует следующие варианты в 2026-м. Samsung и Micron расширяют выпуск быстрой памяти HBM. Это контрдоказательство простой версии «чипы закончились»: предложение растёт, хотя строительство фабрик занимает годы.

Пять крупнейших технологических компаний потратили на инфраструктуру более $400 млрд в 2025 году; оценки на 2026 год ещё выше. Microsoft сообщила о капитальных расходах $37,5 млрд за один квартал, причём около двух третей пришлось на графические и центральные процессоры. Такие суммы показывают способность индустрии расширяться, но также повышают риск, если доходы не оправдают вложения.

Могут ли закончиться данные

Исследования оценивают запас качественного общедоступного человеческого текста примерно в сотни триллионов слов или фрагментов. При быстром росте обучения этот ресурс может стать ограничением в конце 2020-х или начале 2030-х. Однако дата зависит от того, что считать качественными данными, сколько раз их использовать и насколько помогут синтетические данные — примеры, созданные другими моделями.

Контрдоказательство. Улучшение алгоритмов позволяет получать тот же уровень качества с меньшими вычислениями. Исторические оценки показывают быстрый рост эффективности, но прошлый темп не гарантирован в будущем и различается между задачами.

Что действительно ограничивает рост

Интерпретация AI Futures. В горизонте 12–36 месяцев наиболее общий барьер — согласование всей цепочки: заказ чипов, производство памяти, строительство, питание, охлаждение и запуск программ. Провал одного звена задерживает весь проект.

Модель Epoch AI предполагает, что к 2030 году обучение систем с объёмом около 2×10²⁹ вычислительных операций технически возможно, а наиболее вероятными ограничениями станут энергия и чипы. Это сценарная модель, зависящая от темпов инвестиций, эффективности и доступности оборудования, а не наблюдение из будущего.

Поэтому корректный ответ меняется со временем: ограничение нужно измерять для конкретного проекта, региона и цели, а прогнозы сопровождать условиями, при которых они верны.