Аналитический материал

Университетская лаборатория в Найроби. Стартап в Сан-Паулу. Разработчик-одиночка в Бухаресте. Все трое строят нечто замечательное на «демократизированных» инструментах искусственного интеллекта. И каждый запрос каждого из них маршрутизируется через серверы, принадлежащие нескольким компаниям в Северной Калифорнии. Брюс Шнайер когда-то ввёл понятие «театра безопасности» для описания иллюзий в сфере кибербезопасности. Возможно, в мире ИИ работает похожая механика — но какая именно и в чью пользу, пока неясно. Глубокое обучение стало на порядки эффективнее за последние пять лет: квантизация, дистилляция, разреженные архитектуры, развёртывание на периферийных устройствах. Модели стали меньше. Инференс — дешевле. Но рыночная доля крупнейших облачных провайдеров ИИ за тот же период не сократилась, а выросла. Разрыв между обещанием эффективности и реальностью концентрации указывает на нечто структурное — динамику, у которой, как ни странно, до сих пор нет устоявшегося названия.

Парадокс требует объяснения, и начинать нужно с цифр. Стоимость обучения фронтирных моделей действительно упала: модели класса Llama можно обучить за сумму, несопоставимую с затратами на GPT-3 в 2020 году. Однако совокупные капитальные расходы крупнейших технологических компаний на инфраструктуру ИИ в 2025 году побили все рекорды. Microsoft, Alphabet, Amazon и Meta в своих квартальных отчётах и публичных заявлениях руководства за 2024–2025 финансовые годы зафиксировали суммарные вложения, превышающие двести миллиардов долларов (квартальные отчёты Microsoft, Alphabet, Amazon, Meta, 2024–2025). Точные цифры варьируются в зависимости от методологии подсчёта, но порядок величин не оспаривается ни одним крупным аналитическим агентством. В любой другой технологической волне — солнечная энергетика, полупроводники, телекоммуникации — рост эффективности в конечном счёте децентрализовал производство. ИИ, похоже, становится исключением. Что если сам механизм, призванный демократизировать искусственный интеллект — эффективность, — содержит структурный изъян, обращающий его действие вспять?

Чтобы понять, почему ИИ может оказаться другим, необходимо проследить, как «демократизация» превратилась в доминирующий нарратив отрасли. Первая фаза — с 2012 по 2017 год — была временем подлинной открытости. Google открыл исходный код TensorFlow в ноябре 2015 года (Google Research Blog, ноябрь 2015), Facebook выпустил PyTorch в 2016-м (Facebook AI Research, сентябрь 2016). Результаты ImageNet воспроизводились на потребительских GPU. Академические нормы задавали тон.

Вторая фаза — 2018–2022 — стала эпохой масштаба. Решение OpenAI не публиковать полную версию GPT-2 в феврале 2019 года под предлогом «слишком опасно для выпуска» (OpenAI Blog, февраль 2019) ознаменовало риторический поворот. Демократизация стала условной. Модели росли, стоимость обучения взлетала, а понятие «доступ» сместилось от «создай своё» к «пользуйся нашим API».

«открытый код в ИИ важнее, чем открытый код в программном обеспечении»

— Yann LeCun, выступления и публикации в социальных сетях, 2023–2024

«синтетические данные не решают проблему зависимости — они перемещают её на один уровень абстракции выше»

— Arvind Narayanan, AI Snake Oil, 2023

Напрашивается очевидное объяснение: монополистическое поведение. Крупный бизнес просто скупает или подавляет конкуренцию. Вмешайся регуляторы — и выигрыш от эффективности естественным образом распределит власть. Эта теория удобна. У неё есть злодеи и решение. Но она упускает нечто фундаментальное в том, как эффективность работает именно в ИИ.

В 1865 году Уильям Стэнли Джевонс обнаружил, что более эффективные паровые машины не снижают потребление угля, а увеличивают его — потому что эффективность делает рентабельными новые применения (W.S. Jevons, «The Coal Question», 1865). Парадокс Джевонса воспроизводится в ИИ с пугающей точностью. Когда модели становятся эффективнее, фронтир не сужается — он расширяется. Дешёвый инференс делает возможными более амбициозные приложения, которые требуют больше инфраструктуры. Десятикратный выигрыш в эффективности позволяет стартапу дёшево запустить одну модель. Тот же выигрыш позволяет крупной компании запустить в десять раз больше моделей для миллиардов пользователей. Преимущества масштаба не складываются — они умножаются.

Есть и то, что можно назвать иллюзией открытого кода. Meta выпускает Llama с открытыми весами — но экосистема вокруг модели (инфраструктура тонкой настройки, процессы обучения с подкреплением на основе обратной связи от человека, бенчмарки оценки, платформы развёртывания) остаётся под контролем (Meta AI, июль 2023; обновления Llama 3, апрель 2024). Открытые веса не равны открытой власти. Здесь критически важно различение: демократизация *доступа* к ИИ — возможности его использовать — и демократизация *агентности* над ИИ — возможности его формировать. Эффективность подавляющим образом обеспечивает первое, одновременно подтачивая второе.

Механизм захвата работает как конвейер, который можно назвать «от оптимизации к API».

Шаг первый: академическое или открытое исследование порождает прорыв в эффективности — Flash Attention, механизм ускоренного внимания (Tri Dao, Stanford, 2022), LoRA, метод низкоранговой адаптации (Edward Hu и соавторы, Microsoft Research, 2021), методы квантизации.

Шаг второй: крупная компания интегрирует прорыв в проприетарный стек, оптимизируя его под своё оборудование.

Шаг третий: прорыв предлагается «как сервис» через API, делая независимую реализацию необязательной.

Шаг четвёртый: экосистема разработчиков строится поверх API, создавая привязку.

«Европа рискует стать потребителем чужих технологий, а не их создателем»

— Mario Draghi, «The Future of European Competitiveness», сентябрь 2024

Теория монополии предсказала бы, что разрушение этих компаний решит проблему. Не решит. Китайский рынок ИИ — яростно конкурентный: Baidu, Alibaba, Tencent, ByteDance, DeepSeek, десятки стартапов. Тем не менее власть концентрируется с той же скоростью. Прорыв DeepSeek R1 в январе 2025 года был провозглашён моментом «демократизации» (DeepSeek, январь 2025). Но DeepSeek — подразделение High-Flyer Capital, крупного количественного хедж-фонда. Модель обучалась на накопленных до экспортных ограничений ускорителях NVIDIA A100. Едва ли гаражный стартап.

«создавать пространство для инноваций, а не барьеры для входа»

— Margrethe Vestager, выступление на Web Summit, ноябрь 2023

Фатальный изъян монопольной теории в следующем: даже если завтра разделить Google, Meta и Microsoft, структурные динамики эффективности ИИ — аппаратная зависимость, рекурсия данных, конвейер «от оптимизации к API» — реконцентрируют власть в течение десятилетия. Проблема не в игроках. Проблема в правилах игры. Доступ — не агентность. Четыре слова. Вся суть.

Здесь всё встаёт на свои места. Старая рамка утверждала: ИИ демократизируется, потому что модели становятся меньше, дешевле и доступнее. Прорывы в эффективности — квантизация, дистилляция, развёртывание на периферии — снижают барьеры и распределяют мощь ИИ среди всех. Новая рамка — и здесь наконец стоит дать явлению имя: *Efficiency Enclosure*, огораживание эффективности.

Efficiency Enclosure — это процесс, при котором подлинные технические прорывы в вычислительной эффективности систематически поглощаются проприетарными экосистемами, превращая каждую волну «демократизации» в новый слой зависимости. Подобно английскому огораживанию общинных земель, которое приватизировало общие ресурсы под знаменем сельскохозяйственного «улучшения», Efficiency Enclosure конвертирует общий технический прогресс в частную инфраструктуру.

Перечитаем факты заново. Каждый выигрыш в эффективности создаёт новую поверхность для огораживания. Модели стали меньше — но им нужны оптимизированные среды исполнения, контролируемые теми же компаниями. Инференс подешевел — но концентрируется в облаках крупных провайдеров. Инструменты стали доступнее — но формируют зависимость от API. Демократизация не терпит неудачу. Она функционирует ровно так, как задумано: как механизм, посредством которого выигрыш в эффективности огораживается.

В рамке Efficiency Enclosure факты перестраиваются с неумолимой логикой. Открытие Meta весов Llama в старой рамке выглядело альтруистической демократизацией. В новой — открытые веса создают экосистему, зависимую от инфраструктуры тонкой настройки Meta, её процессов обучения с обратной связью и стека развёртывания. Модель бесплатна. Средства производства вокруг неё — огорожены.

Доминирование CUDA от NVIDIA в старой рамке — рыночный успех. В рамке Efficiency Enclosure — каждая техника эффективности (разреженность, смешанная точность, ускоренное внимание) оптимизирована в первую очередь под CUDA (Tri Dao, Stanford, 2022; NVIDIA Developer Blog, 2023), превращая «эффективный» путь в огороженный путь.

Рост малых языковых моделей в старой рамке — доказательство доступности ИИ. В рамке Efficiency Enclosure — эти модели оптимизированы для периферийных устройств, чьи операционные системы, магазины приложений и среды машинного обучения контролируются Apple, Google и Qualcomm. Эффективность на периферии — это огораживание на периферии. Каждый слой стека эффективности имеет соответствующую точку захвата. Чем больше слоёв эффективности — тем больше поверхностей для огораживания.

Три кейса делают абстракцию осязаемой.

Первый: Hugging Face и ловушка инференса. Hugging Face демократизировал хостинг моделей и стал «GitHub для ИИ». Но по мере того как модели становились эффективнее, узкое место сместилось к оптимизированному инференсу. Сервис Inference Endpoints от Hugging Face работает на AWS (Hugging Face Documentation, 2024) — маршрутизируя всю «открытую» экосистему через инфраструктуру Amazon. Открытые модели. Огороженный инференс.

Второй: DeepSeek R1 и мираж эффективности. Модель R1 в январе 2025 года была провозглашена доказательством того, что эффективный ИИ способен бросить вызов американским технологическим гигантам (DeepSeek, январь 2025). Но инновации DeepSeek в эффективности были стремительно абсорбированы в проприетарные предложения Alibaba Cloud и Tencent Cloud (публикации Alibaba Cloud и South China Morning Post, февраль 2025). «Момент демократизации» продержался несколько недель — затем началось огораживание.

Третий: LoRA и огораживание тонкой настройки. Метод низкоранговой адаптации, разработанный в Microsoft Research (Edward Hu и соавторы, июнь 2021), сделал тонкую настройку доступной на потребительском оборудовании. В течение полутора лет метод был интегрирован в Azure AI, AWS SageMaker и Google Vertex AI как управляемый сервис (документация Azure ML, AWS SageMaker, Google Cloud, 2023). Техника родилась открытой. Её наиболее эффективная реализация — огорожена.

Впрочем, существуют серьёзные контраргументы, и интеллектуальная честность требует их рассмотреть.

Сильнейший довод против тезиса об Efficiency Enclosure заслуживает подробного разбора. Миллионы разработчиков *действительно* строят реальные продукты на открытых моделях с помощью скромного оборудования. Локальные языковые модели работают на ноутбуках. Разработчик в Лагосе сегодня располагает большими возможностями ИИ на устройстве за пятьсот долларов, чем исследователь Google имел в 2018 году. Абсолютный порог доступа поднялся драматически. Эффективность принесла реальную ценность реальным людям. Тот факт, что крупные компании тоже выигрывают, не отменяет подлинной демократизации на индивидуальном уровне. Совершенное — враг хорошего. Но у этого аргумента есть конкретный изъян: он смешивает доступ с агентностью. Когда каждое «независимое» приложение ИИ зависит от API, оборудования и стеков оптимизации нескольких компаний, система хрупка. Одно изменение политики, одно повышение цен, одно обновление пользовательского соглашения может отозвать «демократизированную» возможность за ночь. Остальные контраргументы — от перспектив альтернативных ускорителей до исторических аналогий с другими технологическими волнами — описывают потенциальное будущее, тогда как Efficiency Enclosure описывает наблюдаемое настоящее.

Что меняется, если принять рамку Efficiency Enclosure всерьёз? Доступ без агентности — это потребление, а не демократизация. Когда ваша «независимая» возможность может быть отозвана в одностороннем порядке, вы не участник демократии — вы пользователь сервиса. Подлинная демократизация требует не только эффективных моделей, но открытой инфраструктуры: открытого оборудования (ускорители на архитектуре RISC-V), открытых стеков оптимизации и моделей управления, предотвращающих огораживание выигрышей в эффективности. Без этого каждый следующий прорыв в эффективности — ещё один виток спирали, делающей зависимость более бесшовной, более невидимой, более полной.

Вернёмся в лабораторию в Найроби. В стартап в Сан-Паулу. К разработчику в Бухаресте. Они создают замечательные вещи. Но каждый запрос проходит через огороженную инфраструктуру. Каждый выигрыш в эффективности, который они празднуют, делает огораживание более незаметным. Более естественным. Более тотальным.

Самое эффективное огораживание — то, которое ощущается как освобождение.

Когда в следующий раз генеральный директор технологической компании объявит, что ИИ «демократизируется», задайте один вопрос: демократизируется для кого — чтобы *пользоваться* или чтобы *контролировать*?