С первого сентября вступает в силу закон о поддержке развития технологий искусственного интеллекта. Он вводит категории суверенных и национальных моделей, требования к локализации, правила маркировки. Минцифры назначено единым регулятором.
Публичная дискуссия вокруг всего этого свелась к одному вопросу: чья модель настоящая. Глава Сбера заявил в Совете Федерации, что у конкурентов не свои модели, а дообученный Qwen. Яндекс ответил, что это не соответствует действительности. Журналисты раскопали техблоги обеих компаний и показали, что три из четырёх крупнейших российских моделей инициализированы весами китайской Qwen, а единственная обученная с нуля построена на архитектуре DeepSeek.
Спор занял ленты на неделю. Проблема в том, что он касается одного слоя технологии из трёх, и не самого важного для экономики.
Что действительно нельзя построить на чужом
Тезис "на иностранных моделях национальную стратегию не построить" верен, но требует точности. Иначе первый же комментатор ответит: а YandexGPT и есть Qwen, о чём разговор.
Разница проходит не по происхождению весов, а по типу доступа.
Открытые веса, которые уже скачаны и развёрнуты на серверах внутри страны, отобрать нельзя. Их можно перестать выпускать, но то, что лежит на диске, продолжит работать. Дообучение, русификация токенизатора, собственный контур обучения с подкреплением поверх этих весов это уже своя работа и свой результат.
Закрытые модели по API отключаются за один вечер. В июне это произошло: доступ к передовой модели одной из американских лабораторий ограничили экспортным контролем, и компании, построившие продукты на этом API, обнаружили, что их бизнес выключается решением чужого регулятора. Позже ограничение сняли, но прецедент остался.
Строить национальную стратегию на том, что отключается вечером, нельзя. Строить на том, что уже развёрнуто внутри контура, можно.
Окно закрывается с двух сторон
Летом стало известно, что китайские регуляторы обсуждали с крупнейшими разработчиками ограничение зарубежного доступа к будущим закрытым моделям, ужесточение наказаний за утечку технологий и правила финансирования ИИ-стартапов. Окончательного решения нет, но сам факт обсуждения показателен. Глава Сбера на трибуне Совета Федерации сформулировал это прямо: китайские модели тоже начинают закрываться.
С американской стороны движение зеркальное: экспортный контроль на передовые модели, требования верификации личности для доступа, расследования в отношении компаний, использующих китайские модели.
Складывается симметричная картина. Фронтирный искусственный интеллект превращается в экспортно-контролируемую технологию с обеих сторон, примерно как криптография в девяностые. Открытые веса пока остаются исключением, но исключение это не гарантия.
Для страны, которая планирует что-то на десять лет вперёд, это означает простое: любая зависимость от внешнего доступа является допущением, а не фундаментом.
Слой, о котором не говорят
Теперь главное. Вся публичная дискуссия про национальную стратегию идёт вокруг обучения моделей. Сколько ускорителей в стране, сколько гигаватт, чьи веса взяли за основу, кто суверенный, а кто национальный.
Но обучение моделей это один слой из трёх.
Первый слой: обучение фундаментальных моделей. Требует десятков тысяч ускорителей, гигаватт электричества и миллиардов долларов. Здесь у страны объективное отставание, и оно не закрывается ни законом, ни желанием.
Второй слой: инференс, то есть эксплуатация уже обученных моделей. Требует значительно меньше ресурсов. Здесь ситуация рабочая: облачные платформы предоставляют доступ к моделям по API, инфраструктура внутри страны, оплата в рублях.
Третий слой: прикладные системы поверх готовых моделей. Не требует ни одного ускорителя для обучения. Требует понимания конкретной предметной области, правильной архитектуры процесса и работы с людьми, которые будут этим пользоваться.
Именно на третьем слое создаётся ценность, которую видит экономика. Бухгалтер, получивший готовый документ вместо часа ручной работы. Юрист, у которого претензия готовится за две минуты. Отдел снабжения, где заявки обрабатываются автоматически.
И вот на этом слое у страны нет никакого отставания. Ни одного ускорителя не нужно. Нужны люди, которые понимают, как устроена работа, и умеют строить надёжные системы на тех моделях, которые доступны.
Что значит использовать доступное грамотно
Суверенные и национальные модели отстают от мирового фронтира. Это факт, а не оценка. Вопрос в том, что с этим делать.
Один путь: ждать, пока догонят. При разрыве в вычислительных мощностях в сотни раз ожидание может затянуться.
Второй путь: компенсировать разрыв архитектурой.
Разница выглядит так. Когда система полагается на мощность модели, ей нужна лучшая модель в мире, потому что модель сама решает, что делать, сама выбирает инструменты, сама исправляет ошибки. Каждая ошибка на длинной цепочке рассуждений умножается на следующем шаге.
Когда система полагается на структуру процесса, задача разбивается на короткие шаги. Каждый шаг имеет ограниченный набор инструментов и понятный критерий успеха. Результат шага проверяется до перехода к следующему. Модели не нужно быть гениальной, ей нужно корректно выполнить простое действие.
Мы работаем по второму пути полгода. Платформа генерирует документы, таблицы и презентации на моделях российского облака. За это время выполнено более девятисот проектов. По логам выполнения доля сбоев составляет 1,3 процента.
Это не рекорд и не чудо. Это следствие того, что архитектура компенсирует то, чего модель не умеет.
Три вывода для стратегии
Первый. Разделять уровни. Стратегия обучения фундаментальных моделей, стратегия инференса и стратегия прикладного слоя это три разные задачи с разной ценой входа и разными сроками. Смешивать их в одном документе значит не решить ни одну.
Второй. Считать не только модели. Основная ценность для экономики создаётся не на уровне весов, а на уровне конкретных рабочих задач. Их сотни тысяч, и большинство не требует передовых моделей.
Третий. Готовиться к закрытости. Обсуждения в Китае и решения в США показывают направление. Любая стратегия, предполагающая стабильный доступ к чужому фронтиру, построена на допущении, которое может не выполниться.
Технологии перестали быть узким местом. Узкими местами стали доступ и умение работать с тем, что доступно.