Сам Альтман продаёт гонку за вычислениями, но её главный приз достанется не OpenAI

Общепринятая логика проста: чем крупнее модель и чем больше GPU используется для её обучения, тем выше качество. Отсюда — многомиллиардные раунды, строительство дата-центров и борьба OpenAI за доступ к ускорителям. Stanford AI Index 2025 фиксирует: стоимость вычислений для моделей уровня GPT-3.5 снизилась более чем в 280 раз с ноября 2022 года по октябрь 2024-го, но обучение передовых систем требует всё более дорогой инфраструктуры. Альтман в интервью не спорит с этой логикой: вычислительные мощности остаются стратегическим ограничением.

Но что, если дефицит compute — не только топливо для инноваций, а механизм перераспределения власти? Тогда вопрос звучит не «кто создаст лучшую модель», а «кто сможет позволить себе следующий цикл обучения». Именно здесь разговор о взломе Hugging Face приобретает другой смысл. Утечка токенов и компрометация инфраструктуры показывают: открытость ускоряет распространение технологий, но одновременно расширяет поверхность атаки. Открытый код снижает входной барьер для разработчиков, однако не отменяет зависимости от закрытых облаков, чипов и платформ.

Альтман также описывает дистилляцию — перенос возможностей большой модели в меньшую — не как угрозу самому существованию крупных лабораторий, а как неизбежный этап распространения знаний. Это переворачивает привычную картину: маленькие модели не обязательно уничтожают лидеров, но сокращают ценность самой модели как продукта. Главным активом становятся вычислительные мощности, данные, каналы распространения и способность быстро внедрять ИИ в реальный мир. Поэтому OpenAI смотрит не только на чат-ботов, но и на агентов, робототехнику и новые интерфейсы. В роботах преимущество определяется не одной нейросетью, а связкой модели, сенсоров, управления и производства — областью, где масштабирование программного обеспечения уже не решает всё.