Четыре слоя ИИ: технология реальна, пузырь тоже

Материал отражает публичную повестку вокруг ИИ по состоянию на сентябрь 2026 года. Регуляторная, рыночная и инфраструктурная картина продолжает меняться быстрее, чем издания успевают её описывать — часть примеров ниже уже стала историей, но остаётся полезной как иллюстрация логики.

Кратко: новости об ИИ стоит разбирать на четыре слоя — технологию, продукт, инфраструктуру и финансово-нормативную часть. Повестка безопасности не сводится к заговору, но она одновременно снижает реальные риски и повышает барьер входа для мелких игроков. Дефицит вычислений реален в конкретных узких местах цепочки поставок, но общий нарратив «не хватает чипов» часто обслуживает финансовые ожидания. Пользователю важно понимать, где ошибка ИИ дешёва, а где дорога. Бизнесу — считать стоимость, риск, безопасность и зависимость от поставщика.

Лента вокруг искусственного интеллекта живёт между двумя крайностями. С одной стороны — «новая флагманская модель уже почти человек, через год будет сильный общий интеллект, через два — сингулярность». С другой — «ИИ уничтожит профессии, рынки, демократию и, возможно, само человечество, поэтому его нужно срочно остановить».

Для обычного пользователя и для бизнеса обе крайности бесполезны.

Первая мешает увидеть стоимость, ограничения, риски и зависимость от поставщика. Вторая мешает увидеть реальные операционные угрозы: утечки данных, уверенные выдумки в важных документах, мошенничество с синтетическими голосами и видео, штрафы регуляторов, отсутствие окупаемости и автоматизацию плохих процессов.

Полезнее читать новости об ИИ не как пророчество и не как биржевой сигнал, а как смесь нескольких слоёв:

• Технологический слой — что модель действительно умеет.
• Продуктовый слой — как это упаковано в сервис, программный доступ, интерфейс, поддержку и гарантии.
• Капитальный слой — кто зарабатывает, кто инвестирует, какие ожидания закладываются в оценки компаний.
• Физико-юридический слой — микросхемы, энергия, центры обработки данных, лицензии, регулирование, ответственность.

Большая часть шума возникает там, где эти слои намеренно или ненамеренно смешивают. Иногда случайно. Чаще — потому что смешанную историю проще продать, чем честную.

1. ИИ — это не одна вещь

Когда кто-то говорит «ИИ», важно сразу уточнять: о чём именно речь? Обычно под одним словом прячут четыре разных объекта.

Модель. Это веса, архитектура, обучение, работа модели в режиме ответа, сравнительные тесты, технические описания, ограничения, уверенные выдумки, объём контекста, работа с внешними инструментами, мультимодальность. Модель сама по себе ещё не продукт. Это скорее двигатель.

Сервис или продукт. Это интерфейс, программный доступ, квоты, цена за миллион обработанных единиц текста, задержка ответа, стабильность версии, интеграции, поддержка, журналы, безопасность данных, соглашение об уровне обслуживания, дообучение, экспорт журналов, корпоративные соглашения. Продукт — это уже ресторан: кухня, меню, зал, официант и чек, который приходит в конце.

Инфраструктура. Это ускорители, широкополосная память, передовая упаковка кристаллов, центры обработки данных, электроэнергия, охлаждение, сети, облачные платформы, кабельные системы, строительные подряды, инженеры, операторы, резервное питание. Здесь ИИ перестаёт быть «магией в облаке» и становится физическим производством вычислений. Никакой магии — бетон, медь и счета за электричество.

Финансовый и нормативный слой. Это капитализация крупных производителей ускорителей, облачных платформ, разработчиков моделей и смежных сервисов. Это венчурные раунды, капитальные вложения, облигации, структуры специального назначения, договоры с облаками, государственные субсидии, экспортные ограничения, Закон ЕС об искусственном интеллекте, указы президента США, стандарты Национального института стандартов и технологий США, страховые требования, аудиты, судебные риски. Именно этот слой чаще всего и производит новостной шум.

Главный навык грамотности в сфере ИИ — спрашивать: нам сейчас рассказывают про технологию, про бизнес, про инфраструктуру или про финансовые ожидания?

Потому что рост акции не равен прогрессу модели. Выход нового сравнительного теста не равен готовности продукта. Очередной раунд финансирования не равен созданию ценности. А заявление о рисках ИИ может быть одновременно честной тревогой, юридической страховкой и элементом конкурентной борьбы.

2. Технологию и капитал нужно различать, но нельзя делать вид, что они независимы

ИИ — это не только научный результат. Это ещё и способ накопления капитала. Но нельзя полностью отделить технологию от капитала. Капитал решает, какие направления получают финансирование, какие наборы данных собираются, какие эксперименты масштабируются, какие модели выпускаются как закрытый программный доступ, а какие — как модели с открытыми весами, какие исследования безопасности ведутся, какие сравнительные тесты становятся маркетинговыми витринами.

Флагманские модели — это капиталоёмкое производство. Они требуют огромных затрат на обучение, эксплуатацию, инженеров, данные, инфраструктуру и энергию. Работы по законам масштабирования показывают, что рост возможностей языковых моделей тесно связан с вычислительными ресурсами, данными и параметрами: исследование законов масштабирования для нейронных языковых моделей, исследование оптимального вычислительного бюджета при обучении больших языковых моделей.

Но из этого не следует, что любой технический прорыв автоматически означает экономический успех. И наоборот: высокая оценка компании не доказывает, что технология уже приносит общественную пользу.

Технологию и капитал разделить полностью не получится — да и не нужно. Продуктивнее различать техническую реализуемость, коммерческую целесообразность и финансовый сюжет: они связаны, но не тождественны.

Стэнфордский институт в ежегодном докладе об искусственном интеллекте показывает, что ИИ нельзя рассматривать только как лабораторный результат: это одновременно наука, индустрия, политика, рынок труда и геополитика. Проект Epoch AI полезно отслеживать вычислительные ресурсы, стоимость обучения, эффективность моделей и инфраструктурные тенденции. Для экономики важны работы о том, как автоматизация меняет долю капитала и труда: гонка человека и машины, а также анализ влияния генеративного ИИ на задачи и занятость — генеративный ИИ и будущее работы (Международный валютный фонд).

Вывод для читателя простой: не путайте «модель стала лучше» с «бизнес получит прибыль», «акции вырастут» или «общество готово к этой технологии».

3. Повестка безопасности: не доказанный заговор, но поле, где риски пересекаются с деньгами и конкуренцией

Повестка безопасности ИИ не сводится к злому умышленному раскачиванию котировок. Но она выполняет несколько функций одновременно: легитимирует регулирование, создаёт репутационный щит для крупных игроков, повышает барьер соответствия требованиям для маленьких компаний и помогает управлять ожиданиями инвесторов.

Здесь важно не впадать в две крайности.

Крайность первая: «всё это искренняя тревога учёных». Частично это правда. Риски ИИ реальны. Модели могут уверенно выдумывать факты. Они могут раскрывать конфиденциальные данные, если неправильно настроены. Они уязвимы к внедрению враждебных инструкций в запрос. Они могут использоваться для создания фишинга, мошеннических голосовых сообщений, синтетических подделок, автоматизированной дезинформации и опасных инструкций.

Джеффри Хинтон, одна из ключевых фигур в развитии нейросетей, публично предупреждал о рисках ИИ после ухода из крупной технологической компании. Открытое письмо Института будущего жизни с призывом приостановить обучение крупнейших систем тоже было реальным событием. Игнорировать эти сигналы глупо.

Крайность вторая: «вся повестка безопасности — это продвижение для накачки акций». Это тоже неверно. Но наивно думать, что корпорации говорят о безопасности исключительно из альтруизма.

Соответствие требованиям дорого. Аудиты, документирование, имитационные атаки, оценка систем высокого риска, управление данными, объяснимость, журналирование инцидентов, контроль со стороны человека — всё это требует ресурсов. Малые и средние компании могут не потянуть такие требования. Крупные — могут.

Поэтому строгие правила могут быть одновременно: защитой общества; юридическим щитом для корпораций; барьером входа для конкурентов; способом управлять публичными ожиданиями; элементом борьбы за стандарты; инструментом обоснования капитальных вложений и государственных программ.

Закон ЕС об искусственном интеллекте — хороший пример. По существу это сложная система требований к рискам, прозрачности, данным, надзору и ответственности, а не запрет ИИ, как его иногда описывают в заголовках: регламент ЕС 2024/1689 об искусственном интеллекте.

Для бизнеса важны не абстрактные споры о сильном общем интеллекте, а конкретные обязательства: можно ли использовать модель в системе высокого риска; нужна ли документация; требуется ли контроль со стороны человека; нужно ли журналирование; как оценивать смещения; можно ли передавать данные поставщику; кто отвечает при инциденте; какие требования вступают в силу и когда.

Практические рамки для управления рисками уже существуют: управление рисками ИИ в США, платформа ОЭСР по политике в области ИИ, отраслевой перечень рисков для приложений на основе больших языковых моделей.

Почему нельзя говорить «это просто раскачка котировок». Потому что рынок сложнее. Например, в январе 2025 года сообщения о сравнительно низкой стоимости обучения и использования моделей DeepSeek вызвали негативную реакцию части инвесторов в инфраструктуру ИИ. Это показывает, что рынком двигают не только страх и регуляторные сюжеты, но и ожидания стоимости вычислений, эффективности архитектур и реальной монетизации.

Значит, новости о безопасности не работают как простая кнопка «купить акции технологов». Они влияют на ожидания, регуляторный ландшафт, конкурентные барьеры и распределение капитала. Но это не то же самое, что доказанный сговор.

Разговоры об опасности ИИ устроены сложнее, чем кажется на первый взгляд: это поле, где реальные риски пересекаются с юридическими, репутационными и финансовыми стимулами крупных игроков, а не отдельно взятая тревога или отдельно взятый заговор.

Для пользователя и бизнеса практический вывод такой: не спрашивайте только «опасен ли ИИ глобально». Спрашивайте: какие конкретные риски уже сегодня создают убытки, штрафы, утечки, репутационный ущерб и зависимость от поставщика.

Важная оговорка к 2026 году: регуляторная картина в США за это время уже сдвинулась. Указ 2023 года о безопасном, защищённом и заслуживающем доверия развитии ИИ был отменён в январе 2025-го новым указом, который сделал ставку на снятие барьеров для американских разработчиков и поручил подготовить отдельный план действий по ИИ. Это не отменяет саму логику раздела — регулирование по-прежнему одновременно снижает риски, создаёт щит и повышает барьер входа, — но конкретные документы и институты стоит проверять на актуальность отдельно.

4. Дефицит вычислений: физические узкие места и финансовые ожидания

Фраза «не хватает чипов» слишком общая. В 2021–2022 годах был дефицит автомобильных и потребительских микросхем. Сейчас история другая — и если проследить её до конца, то окажется, что за одним и тем же коротким заголовком про «нехватку чипов» может скрываться то простаивающая линия по упаковке кристаллов где-нибудь на Тайване, то недостроенная подстанция где-нибудь в американском штате, то просто очередь на монтажников систем охлаждения, и ни одно из этого не решается тем, что кто-то произведёт больше кремния. Не хватает не микросхем вообще, а конкретных узлов цепочки:

• передовых ускорителей для ИИ;
• мощностей по передовым техпроцессам;
• передовой упаковки кристаллов;
• широкополосной памяти;
• центров обработки данных;
• электроэнергии;
• подключения к сетям;
• систем охлаждения;
• трансформаторов и генераторов;
• строительных подрядов;
• квалифицированных инженеров и операторов инфраструктуры ИИ.

Эти ограничения реальны. Международное энергетическое агентство прямо пишет, что рост ИИ и центров обработки данных становится значимым фактором для энергопотребления: энергетика и ИИ, электричество 2024. TSMC находится в центре цепочки поставок передовых микросхем и упаковки: квартальные результаты и материалы для инвесторов TSMC. Отраслевая аналитика по памяти, упаковке и серверным платформам регулярно публикуется, например, в пресс-центре TrendForce. Nvidia показывает масштаб денежного потока вокруг инфраструктуры ИИ: финансовые результаты за четвёртый квартал и 2025 финансовый год. Государства тоже воспринимают полупроводники как стратегический ресурс, например через американский закон о полупроводниках и науке (CHIPS and Science Act, H.R. 4346).

Но финансовый рынок любит экстраполировать физические ограничения до бесконечности. Отсюда — заголовок «мощностей не хватит, значит, ИИ всех сломает», который полезен для регулирования, страхов, политических переговоров и обоснования господдержки. И его зеркальное отражение — «спрос бесконечен, значит, покупайте инфраструктуру навсегда», которое полезно для продаж ускорителей, облачных контрактов, планов капитальных вложений и высоких оценок. Оба упрощают реальность, просто в разные стороны.

Пузырь здесь не обязательно в самой технологии. Пузырь может быть в ожиданиях: в вере, что спрос на вычисления для ИИ будет расти линейно или экспоненциально независимо от экономической отдачи, что каждая новая модель автоматически монетизируется, что инфраструктурные инвестиции гарантированно окупятся.

Институциональные предупреждения о финансовых рисках, концентрации рынков и высоких оценках можно искать в отчётах Банка международных расчётов и Международного валютного фонда. Жёсткую критику капитальных вложений в ИИ, кольцевых схем финансирования и завышенных ожиданий можно читать как авторскую аналитику, но воспринимать это не как нейтральный факт, а как позицию: критика инвестиций в ИИ.

Дефицит вычислительных мощностей для ИИ — не чистая страшилка: передовые ускорители, упаковка, память и энергия действительно становятся узкими местами. Но общий сюжет «не хватает чипов» часто обслуживает и финансовые ожидания заодно — продажи инфраструктуры, обоснование капитальных вложений, веру в бесконечный спрос.

Для бизнеса важно следить не за заголовком «не хватает чипов», а за более приземлёнными показателями: цена за миллион входных и выходных единиц текста; задержка ответа; доступность квот; стабильность программного интерфейса; стоимость дообучения; возможность локального развёртывания; лицензия; правила хранения данных; привязка к поставщику; энергопотребление; сроки поставки оборудования; стоимость выхода из контракта.

Для пользователя важнее не «хватит ли миру ускорителей», а: будет ли сервис доступен; подорожает ли подписка; изменятся ли ограничения; будут ли мои данные использоваться для обучения; появится ли реклама; ухудшится ли качество после бесплатного периода.

Коротко: микросхемы — это не главная новость. Главная новость — цена, доступность, надёжность и контроль.

5. Что действительно стоит знать обычному пользователю

1. ИИ ошибается уверенно. Модель может выдать уверенный, гладкий, авторитетный ответ, который окажется ложью. Особенно опасно это в медицине, праве, финансах, найме, безопасности и технических инструкциях. Правило: если ошибка дорога, ИИ не должен быть последней инстанцией. Черновик письма — можно. Медицинский диагноз — нельзя без врача. Юридическая позиция — нельзя без проверки. Финансовое решение — нельзя без анализа. Инструкция по ремонту газового оборудования — точно нет.

2. Конфиденциальность — не настройка по умолчанию. Нужно понимать: куда уходят ваши данные; хранятся ли журналы; используются ли они для обучения; есть ли корпоративный режим; можно ли удалить данные; кто имеет доступ к содержанию запроса; передаются ли данные субподрядчикам. Бесплатный тариф часто оплачивается не деньгами, а данными, вниманием, риском или будущими ограничениями.

3. Модели с открытыми весами дают контроль, но переносят ответственность на вас. Локальный запуск может быть полезен для конфиденциальности, настройки и независимости от поставщика. Но это не «бесплатный ум в коробке». Это ваша инфраструктура, ваша безопасность, ваши обновления, ваша стоимость эксплуатации и ваша ответственность за ошибки.

4. Синтетические подделки ломают доверие. Голос, видео, текст, документы, снимки экрана, «доказательства» в переписке — всё можно синтезировать. Для пользователя это означает необходимость каналов проверки: звонки по известному номеру, кодовые слова, официальные порталы, криптографические подписи, корпоративные процедуры подтверждения.

5. Главная польза ИИ для пользователя — не «интеллект», а снижение трения. ИИ полезен, когда он кратко излагает длинное, объясняет сложное, делает черновик, переводит, ищет по вашим документам, помогает программировать, структурирует мысли, экономит время на рутине. И опасен, когда создаёт иллюзию, что машина понимает ответственность за результат.

6. Что действительно стоит знать бизнесу

1. Начинайте с задачи, а не с модели. Плохой подход: «нам нужна стратегия по ИИ, потому что все внедряют ИИ». Хороший подход: «у нас есть конкретный процесс, где ошибка терпима, данные есть, эффект измерим, а стоимость внедрения понятна».

2. Делайте проверки на своих данных. Общие сравнительные тесты — это витрина. Ваша задача — это кухня. Нужно тестировать модель на реальных запросах, пограничных случаях, юридически чувствительных темах, конфликтных ситуациях, пустых данных, неполных данных, враждебных запросах и типовых ошибках сотрудников. Стэнфордская комплексная оценка языковых моделей показывает, что оценивать модели нужно по многим направлениям: не только точность, но и надёжность самооценок, устойчивость, справедливость, эффективность, безопасность.

3. Считайте экономику операций. Стоимость ИИ — это не только подписка или обработка текста. В экономику входят: стоимость эксплуатации модели; интеграция; очистка данных; оценка; наблюдение; проверка безопасности; юридическая проверка; обучение сотрудников; поддержка; штрафы и риски; стоимость ошибок; стоимость выхода от поставщика. Если экономия 10%, а риск ошибки стоит 100% — это плохая автоматизация.

4. Управляйте привязкой к поставщику. Вопросы, которые нужно задать до подписания контракта: можно ли перейти на другую модель; кто владеет запросами, журналами, результатами оценок и дообученными весами; как меняются тарифы; что происходит при отказе сервиса; есть ли резервный сценарий; можно ли экспортировать данные; какие гарантии уровня обслуживания реально компенсируются; что будет при смене политики безопасности.

5. Встройте безопасность и конфиденциальность. Для приложений на основе больших языковых моделей важны: внедрение враждебных инструкций в запрос; утечка данных; обработка персональных данных; хранение ключей и учётных данных; управление доступом; след аудита; имитационные атаки; фильтрация содержимого; наблюдение за поведением модели; реагирование на инциденты.

6. Определите категорию риска. Не все системы ИИ одинаковы. Система высокого риска в найме, кредитовании, медицине, критической инфраструктуре или образовании будет требовать большего, чем внутренний помощник для краткого изложения совещаний. Закон ЕС об ИИ, отраслевые стандарты и государственные закупки превращают регулирование из философского спора в фильтр закупок.

7. Не автоматизируйте хаос. Если процесс плохой, ИИ сделает его быстрее, масштабнее и дороже плохим. Сначала — данные, регламент, ответственность, показатели. Потом — модель.

8. Готовьте людей, а не только технологии. Многие пилотные проекты умирают не потому, что модель слабая, а потому что: нет владельца процесса; сотрудники саботируют; юридическое подразделение заблокировало; служба безопасности не пропустила; нет интеграции с корпоративными системами учёта, клиентскими базами и службой поддержки; нет показателя успеха; руководство хотело демонстрационного эффекта, а не изменения рабочих процессов. Исследования влияния генеративного ИИ на производительность показывают, что эффект зависит от задач, контекста и навыков работника: Generative AI at Work (NBER), GPTs are GPTs.

7. Мусорные новости и полезные сигналы

8. Как прочитать любую новость об ИИ за одну минуту

Перед тем как реагировать на заголовок, задай шесть вопросов.

1. О каком слое идёт речь? Технология, продукт, инфраструктура, финансы, регулирование?
2. Кто выигрывает от этой новости? Продавец ускорителей? Облачный поставщик? Разработчик моделей? Инвестор? Регулятор? Конкурент? Журналист?
3. Какие числа приведены? Цена за единицу текста, задержка, энергопотребление, выручка, капитальные вложения, срок поставки, количество ошибок, размер выборки проверки? Если чисел нет — скорее всего, это медийный сюжет.
4. Есть ли конкретный срок? «Когда-нибудь ИИ станет опасным» — шум. «С такого-то числа требуются документы для систем высокого риска» — сигнал.
5. Что можно проверить самостоятельно? Техническое описание модели, тарифы, лицензия, соглашение об обработке данных, методика сравнительных тестов, текст нормативного акта.
6. Кто несёт ответственность при ошибке? Пользователь? Компания? Поставщик? Регулятор? Страховая? Никто? Если ответственность не определена, технология ещё не готова к серьёзному внедрению.

9. Пузырь не означает, что технология бесполезна

Есть соблазн сделать из всего сказанного обратный вывод — раз рынок перегрет, значит, и сама технология дутая. Это не так: ИИ вполне может быть одновременно реальной технологией, полезным инструментом, источником операционных рисков, объектом финансового пузыря, инструментом геополитической конкуренции и причиной структурных изменений на рынке труда — всё сразу, без противоречия.

Железные дороги, сеть Интернет, мобильные телефоны, биотехнологии и авиация проходили через периоды переоценки. Полезная технология может быть переоценена. А переоценённая технология может остаться полезной в долгосрочной перспективе.

Ни «ИИ — обман», ни «ИИ — неизбежное будущее» этой картины не описывают. Ближе к реальности так: ИИ — реальный производственный фактор, но его новостной рынок перегрет, а финансовые ожидания часто опережают экономическую отдачу.

10. Главный вывод

Новости об ИИ стоит читать через три фильтра:

1. Техническая реализуемость — что модель действительно делает и где ошибается.
2. Экономическая целесообразность — сколько стоит польза, кто платит, кто получает маржу, как измеряется результат.
3. Физико-юридические ограничения — микросхемы, энергия, центры обработки данных, лицензии, регулирование, ответственность.

Если в новости нет конкретных цифр стоимости, риска, срока и ответственного лица — скорее всего, это шум. Настоящий сигнал там, где модель превращается в контракт, инфраструктуру, закон или убыток.

Короткая формула: модель — это не магия, капитал — это не прогресс, дефицит микросхем — не миф, но и не единственный сюжет.

Обычному пользователю нужно понимать, где ошибка ИИ дешёва, а где дорога. Бизнесу нужно понимать, как считать стоимость, риск и зависимость от поставщика. Инвестору и аналитику — отделять технический прогресс от финансовых ожиданий.

А всем вместе — перестать читать ИИ как научную фантастику и начать читать как промышленность, право и экономику. Скучнее. Зато честнее.

Если статья была полезной, сохраните её как чек-лист для чтения новостей об ИИ — и в следующий раз, когда заголовок про «чипы» или «сингулярность» вызовет тревогу или восторг, вернитесь к шести вопросам из раздела 8.

Мы разбираем именно такие сюжеты в новостях GeekOnAI — без «сингулярности через два года» и без «ИИ всех уничтожит», зато с цифрами, сроками и источниками.