ИИ в России: прагматичная стратегия вместо гонки с гигантами

В недавнем посте мы разобрали подходы США, Китая и Европы к развитию ИИ. Теперь пришло время перейти к ситуации в России.

И начнем с вопроса: может ли Россия тягаться с американскими и китайскими лидерами в создании универсальных ИИ-моделей?

Мой ответ: вряд ли. Стоп! Не стоит меня сразу проклинать. Я скорее про то, что нашей стране нужен иной, более прагматичный путь. Ниже мой анализ причин и возможных стратегий.

Почему нам не догнать США и Китай в гонке LLM?

Начнём с объективных ограничений. Разработка больших языковых моделей (LLM) с нуля требует колоссальных ресурсов. У России таких мощностей сейчас нет — и дело не только в финансах.

Во-первых, проблема в аппаратных ограничениях. После 2022 года поставки передовых чипов (GPU) в Россию практически остановились. NVIDIA и TSMC прекратили прямые продажи, а «серый» импорт даёт лишь капли в море. По оценкам https://www.rferl.org/a/deepseek-russian-ai-sber-yandex-kandinsky-censorship/33305704.html, Сберу удалось собрать около 9 тыс. GPU, тогда как одна только Microsoft в 2024 году закупила почти 500 тыс. GPU. Разница на порядок — отсюда и пропасть в возможностях обучения моделей.

Во-вторых, американские и китайские игроки располагают гигантскими дата-центрами, готовыми обучать модели с сотнями миллиардов параметров. России сложно конкурировать: даже крупнейшие наши экосистемы (Сбер, Яндекс) не имеют сопоставимой облачной инфраструктуры. Недаром в самом Сбере признают https://www.businessinsider.com/russia-putin-artificial-intelligence-ai-tech-china-sberbank-challenge-west-2025-1, что Россия отстаёт от США и Китая и вместо строительства «супер-ЦОДов» делает ставку на точечную работу с моделями.

В-третьих, для обучения ИИ нужны огромные корпуса данных. Глобальные модели питаются всем многообразием интернета, научных статей, кода. У России же и языковой барьер, и ограниченный доступ к международным данным. Наша доля в открытых датасетах мала. Ограниченность данных, особенно в узкоспециализированных нишах на русском, затрудняет обучение конкурентной LLM с нуля.

Ну и вишенкой на торте добавим к этому отток мозгов (десятки тысяч айтишников уехали после 2022 года) https://habr.com/ru/news/706600/?ysclid=mff2im99r1269439, и картина стала ясна: строить «русский GPT-5» в лоб невозможно. Чипов нет, кластеров мало, лучшие кадры зачастую вне страны. Но это не повод ставить крест на отечественном ИИ — просто гонку за универсальными моделями стоит сменить на более узкий и выигрышный забег.

Специализация и open-source: наш шанс на конкурентность

Раз не можем побить гигантов их же оружием, надо играть умнее. Перспективная стратегия для России – узкая специализация и дообучение открытых моделей под конкретные задачи и отрасли. Вместо разработки всезнающего ИИ мы берём доступную модель с открытым кодом и учим её быть экспертом в нужной области.

Тут немного саморекламы: именно так мы сделали с ИИ-Николой https://www.gazeta.ru/science/2025/07/13/21358208.shtml, превратив его в персонального научного ассистента. Такой fine-tuning требует на порядки меньше ресурсов, а результат – модель, идеально понимающая свой предмет.

Уже сейчас ряд российских команд идёт по этому пути. Вот несколько примеров где локальные дообученные модели способны дать конкурентный результат:

В МФЦ, налоговой и судах тестируются ИИ-ассистенты для обработки документов и обращений. В промышленности — модели, обученные на отраслевых данных, которые понимают чертежи, стандарты и патенты. В образовании обсуждаются «цифровые наставники» для вузов и школ. В кибербезопасности востребованы узкие модели для поиска аномалий и атак в реальном времени.

А в академической среде появился новый игрок. Разумеется, после нас. Хотя его автор критиковал мой продукт, я не последую его примеру. Недавно наткнулся на новость о сервисе {do}mate, который хочет бросить вызов монополии «Антиплагиата». Он использует ИИ для поиска скрытых заимствований и генеративного контента, автоматизирует проверку библиографии и даже готовит плагин для Word и Google Docs, фиксирующий историю написания текста.

Причём опора на open-source здесь ключевая. Открытые модели дают нам форсаж. Ведь в этом случае можно не тратить десятки миллиардов на новое «железо», а взять существующие разработки и адаптировать их под свои нужды. Маленькие команды, обладая экспертизой в предметной области, способны обучить ИИ на локальных данных и получить продукт мирового уровня.

Именно так сейчас работает, например, MTS AI (MWS) — они сознательно не строят модель «с нуля» https://incrussia.ru/fly/mts-ai-interview/, а подбирают лучшую доступную и дообучают под задачу бизнеса, добиваясь гораздо более высокого качества на конкретном применении. Такой прагматичный подход куда эффективнее для нас, чем гоняться за масштабом BigTech.

Регулирование ИИ: не повторить европейских ошибок

Отдельно стоит поговорить о государственном регулировании. Минцифры РФ представило концепцию законов об ИИ до 2030 года https://www.mn.ru/smart/budushhee-ii-v-rossii-kak-minczifry-planiruyut-regulirovat-nejroseti. Документ декларирует правильные принципы — человекоцентричность, доверие, безопасность, технологический суверенитет и т.д. Однако есть риск, что благое стремление навести порядок выльется в избыточные барьеры для индустрии.

Европейский пример тут очень показателен. Регуляция там опередила сами технологии, фактически задушив инновации на корню. Есть опасения, что отечественные ведомства могут пойти по тому же пути из лучших побуждений. Концепция Минцифры отчасти опирается на европейские подходы — например, вводится классификация ИИ-систем по уровням риска, запрет на «очеловечивание» ИИ, требования прозрачности алгоритмов. Все эти нормы правильные по духу, но важно не довести их до абсурда на практике.

Если мы сначала введём жёсткие ограничения, а потом будем «разрешать» инновации в частном порядке, рынок просто остановится. Крупные игроки найдут лазейки или уйдут в закрытые лаборатории, а у стартапов не останется пространства для эксперимента.

Регулирование должно быть гибким и успевать за технологиями, а не душить их на старте. Нужны понятные рамки — да, но не в виде диктата «что запрещено, кроме…», а скорее как принципы и ориентиры.

Минцифры заверяет https://habr.com/ru/news/939518/, что хочет избежать лишних барьеров. Будем надеяться. Главное — помнить урок: не ставить телегу регуляций впереди лошади инноваций. Сначала дать отрасли набрать ход, а уже потом корректировать, где действительно опасно.

Ставка на малые команды и быстрые кейсы

Какой же альтернативный подход должен дополнить или даже заменить избыточное регулирование? Ответ — создать условия для стремительного роста прикладных ИИ-решений по всей стране. Вместо того чтобы тратить силы на контроль гипотетических рисков, государству разумнее поддержать тех, кто уже сегодня делает полезный ИИ в полях.

Прежде всего, это поддержка малых команд и стартапов. Не секрет, что прорывные идеи часто рождаются в небольших группах энтузиастов, а не в чиновничьих кабинетах. К счастью, шаги в этом направлении есть. Например, Фонд содействия инновациям совместно с Минцифры запустили конкурс «Старт-ИИ» https://www.computerra.ru/317512/mintsifry-i-fond-sodejstviya-innovatsiyam-zapustili-konkursy-start-ii-i-start-tst/, рассчитанный именно на начинающие компании и коллективы. Проекты, предлагающие новые ИИ-продукты, могут получить грант до 5 млн руб. на создание прототипа. В приоритете — практические решения: от поддержки решений на основе ИИ до приложений с компьютерным зрением и разговорного ИИ. Такие гранты — хорошее подспорье, способное вытянуть из университетских лабораторий талантливые команды и помочь им сделать первый коммерческий продукт.

Другая идея — регуляторные «песочницы». Если какие-то законы мешают тестировать инновационные ИИ-сервисы (будь то в медицине, образовании или финтехе), нужно точечно смягчать требования для пилотных проектов. У нас уже принят закон об экспериментальных правовых режимах, и по нему действуют десятки пилотов. Эту практику следует расширять: дать стартапу или корпорации площадку, где они под надзором могут попробовать новое ИИ-решение без риска нарушить закон. Это притягивает в отрасль бизнес — люди видят, что можно быстро довести идею до пилота, а удачный пилот до рынка, не утопая в согласованиях.

Также важно стимулировать спрос на отечественный ИИ. Здесь государство — крупный заказчик, который может сыграть ключевую роль. Включать требования локальных ИИ-решений в нацпроекты, давать преференции при госпоставках тем, кто использует отечественные модели. Это сразу создаст рынок для маленьких разработчиков. Плюс, крупные компании можно мотивировать через налоговые льготы инвестировать в корпоративные ИИ-акселераторы, где они выращивают команды под свои задачи.

Наконец, коммерциализация должна стать приоритетом. Хватит измерять успех числом опубликованных стратегий — давайте мерить рублём и внедрением. Нужны короткие циклы: придумал — сделал MVP — протестировал на клиенте — доработал. Чем больше прикладных кейсов «выстрелят» в ближайшие год-два, тем быстрее сформируется устойчивая ИИ-экосистема.

Отрадно, что некоторые руководители https://incrussia.ru/fly/mts-ai-interview/ в отрасли это понимают: сейчас главный запрос рынка – не абстрактные модели, а их правильное внедрение для конкретного результата. То есть ценность имеет не сама по себе нейросеть, а её эффект — сэкономленные миллионы, повышенная выработка, новые сервисы для людей.

Поддерживая десятки небольших, но быстрых проектов, мы выращиваем целый «парк» ИИ-решений. Пусть ни один из них не сделает революции в одиночку, зато вместе они поднимут уровень технологий во множестве отраслей. А из среды малых команд, глядишь, через время вырастут и новые «единороги» — российские аналоги OpenAI или DeepMind, только ориентированные на наши реалии.

Вывод: узкие ИИ как путь к суверенной экосистеме

Давайте теперь обобщим. Прямое соперничество в ИИ с глобальными лидерами для России сейчас неэффективно — слишком разные весовые категории. Однако это не означает, что мы обречены плестись в хвосте. Сфокусировавшись на прагматичных, отраслевых ИИ-решениях, Россия может занять свою нишу и стать в ней лидером.

Вместо одной универсальной модели — десятки специализированных, но зато лучших в своём деле. Вместо гигантомании — распределённая экосистема из множества команд, каждая из которых закрывает свой участок с помощью ИИ. Такой подход укрепит технологический суверенитет и у нас появятся собственные инструменты для госуправления, промышленности, медицины, образования, защиты — заточенные под наши данные и требования, не зависящие от чужих платформ.

Более того, эти решения можно экспортировать. Уже сейчас наши компании продают за рубеж https://www.businessinsider.com/russia-putin-artificial-intelligence-ai-tech-china-sberbank-challenge-west-2025-1, например, системы видеоаналитики на базе компьютерного зрения. Узкоспециализированные продукты в кибербезопасности, промышленном ИИ, GovTech найдут рынки сбыта в странах, которым не подходят западные «универсальные» предложения. Россия вполне может стать поставщиком прикладного ИИ для дружественных стран — своего рода кузницей эффективных узких технологий.

В глобальной гонке искусственного интеллекта нам вовсе не обязательно бежать по той же дорожке, что США или Китай. Можно выбрать свою дистанцию и свою тактику. Пусть наши ИИ-продукты меньше по масштабу, зато манёвреннее и точнее решают конкретные задачи. В этом и кроется стратегия: не гнаться в хвосте у сверхдержав, а выйти на свою тропу, где мы первопроходцы.

Россия может стать страной прагматичных ИИ, заточенных под дело и приносящих ощутимую пользу. Да, у нас не будет скоро своего GPT-5, но будут сотни умных алгоритмов — от поликлиники до завода, от школы до службы безопасности. Собирая их вместе, мы создаём суверенную экосистему искусственного интеллекта, способную и внутри проблемы решать, и наружу экспортировать интеллект как продукт. Не линейная гонка, а асимметричная стратегия — вот что позволит нам не остаться позади, а взять свою высоту в мире ИИ.

Жизнеспособность такой модели уже подтверждают первые успехи — осталось масштабировать и не мешать ей развиваться. Как говорил Суворов, «выигрывает не числом, а умением» — в сфере искусственного интеллекта для России это как никогда актуально. Мы можем и должны побеждать, выбрав собственную игру, где ставятся реальные, достижимые цели и каждый шаг даёт конкретный результат. Это и будет наш путь в будущей ИИ-цивилизации.

Источник: www.businessinsider.com

Комментарии: