Социальные сети

Пока в обществе не утихают споры о сокращении рабочих мест из-за нейросетей, в Кремниевой долине и азиатском технологическом секторе стремительно набирает популярность новая специальность — Forward Deployed Engineer (FDE), или инженер передового развертывания. По данным LinkedIn, спрос на таких специалистов с 2023 года вырос более чем в сорок раз, а крупные игроки вроде OpenAI, Anthropic, Tencent и ByteDance открывают целые подразделения для их найма. Истоки этой профессии восходят к практике компаний, которые направляли своих разработчиков непосредственно в офисы клиентов для решения сложных задач на конфиденциальных данных. В эпоху больших языковых моделей потребность в таком формате обострилась. Современные модели демонстрируют впечатляющие результаты в тестовых демо-версиях, однако при интеграции в реальную корпоративную ИТ-инфраструктуру бизнес неизбежно сталкивается с проблемами безопасности, разграничения доступа, непредсказуемости генераций и несовместимости рабочих процессов. Инженер передового развертывания отвечает за преодоление так называемой «последней мили» внедрения технологий. Этот специалист совмещает в себе компетенции системного архитектора, разработчика производственного кода, продуктового менеджера и консультанта по бизнес-процессам. Его задача — выехать на площадку заказчика, погрузиться в запутанную специфику бизнеса, перевести расплывчатые требования руководства в техническое задание, собрать надежное работающее решение на базе агентных систем и протоколов интеграции, а затем обеспечить реальное использование системы сотрудниками и измеримый экономический возврат на инвестиции. Критерии отбора на позицию FDE отражают уникальную комбинацию навыков. Помимо фундаментальной инженерной базы и владения современным ИИ-стеком (агенты, RAG, контекстные протоколы MCP, тонкая настройка), кандидатам необходимо демонстрировать зрелые навыки коммуникации и способность находить общий язык с нетехническими руководителями. В компаниях уровня Anthropic, где годовые компенсации для таких ролей достигают внушительных сумм, кандидаты проходят сложнейшие симуляции переговоров с клиентами и проверки на следование миссии безопасности искусственного интеллекта. Рост популярности FDE знаменует смену ориентиров на рынке труда. Ценность смещается от базового составления промптов к системной инженерии и способности превращать вероятностный характер нейросетей в стабильный производственный инструмент внутри сложных традиционных отраслей.

Исследователи Калифорнийского технологического института представили подход, который, по их данным, может существенно ускорить расчёты в квантовой химии. Работа команды Анимы Анандкумар посвящена одному из ключевых методов моделирования электронных систем — теории функционала плотности, или DFT. Этот метод широко применяется при поиске лекарств, разработке аккумуляторов, катализаторов и новых материалов для микроэлектроники, однако традиционные вычисления становятся крайне дорогими по мере роста числа электронов. Главная проблема DFT заключается в масштабе вычислений. При увеличении размера системы затраты обычно растут приблизительно кубически: если число электронов возрастает в десять раз, объём работы может увеличиться примерно в тысячу раз. Поэтому точное моделирование крупных молекул, кристаллов и дефектов материалов требует суперкомпьютеров и большого количества графических ускорителей. Авторы предложили не заменять физическую модель целиком, а встроить ИИ в наиболее затратный этап её итерационного расчёта. Для этого они использовали Fourier Neural Operator — нейросетевую архитектуру, обученную предсказывать электронную плотность на каждом шаге вычислений. Затем этот результат возвращается в привычный физический цикл, который повторяется до стабилизации решения. Такой подход сохраняет структуру исходной модели и позволяет не полагаться на одноразовый прогноз нейросети. Согласно приведённым в материале результатам, метод Kohn–Sham FNO показывает почти линейный рост затрат при увеличении системы, тогда как традиционные методы сохраняют значительно более тяжёлую зависимость. В одном из экспериментов исследователи смогли смоделировать металлическую структуру с десятками тысяч электронов на одном современном GPU. Авторы сравнивают это с более ранними крупномасштабными расчётами, для которых требовались тысячи графических процессоров, хотя прямое сопоставление разных поколений оборудования само по себе не является полностью эквивалентным. Важное преимущество метода состоит в его поведении за пределами обучающих данных. Модели, которые сразу предсказывают окончательный результат, могут выдавать правдоподобный, но неверный ответ. В итерационной схеме нестабильность или расходимость вычисления служит сигналом, что задача находится вне надёжной области применения модели. Это делает подход потенциально более безопасным для научных расчётов. Пока ИИ ускоряет только одну, хотя и наиболее ресурсоёмкую, часть процесса. Для получения полной энергии системы требуется дополнительная обработка. Тем не менее работа демонстрирует перспективный принцип: нейросети могут не вытеснять фундаментальную физику, а сокращать стоимость самых тяжёлых повторяющихся вычислений. Если этот подход подтвердит эффективность на широком спектре материалов и задач, он может заметно ускорить разработку лекарств, батарей, полупроводников и других сложных технологий.

Основатель Microsoft Билл Гейтс выступил с развёрнутым манифестом о будущем искусственного интеллекта, обозначив заметный сдвиг в своей прежней позиции от умеренного оптимизма к глубокой обеспокоенности скоростью технологических изменений. По его оценке, разворачивающаяся трансформация станет одним из самых нестабильных периодов в истории человечества, к которому мировое сообщество, правительства и институты пока не готовы. Главное отличие текущего этапа от предыдущих промышленных революций Гейтс видит в беспрецедентном темпе автоматизации когнитивного труда. Если в прошлом человечество постепенно адаптировалось к новым инструментам вроде парового двигателя или персонального компьютера, то современные алгоритмы способны самостоятельно подстраиваться под человека и замещать интеллектуальные функции. Особый перелом наступит в момент, когда ИИ начнет выполнять сложные многоэтапные задачи с околонулевым уровнем ошибок и без постоянного человеческого контроля, что создаст у бизнеса мощнейший стимул для полной замены живых сотрудников. Для предотвращения резкого роста неравенства и кризиса систем социальной защиты миллиардер предлагает пересмотреть налоговую политику. В действующей экономической модели налоги на фонд оплаты труда делают содержание живых работников более обременительным, тогда как инвестиции в автоматизацию списываются как операционные расходы. В качестве компенсационного механизма Гейтс предлагает ввести налог на генерацию ИИ-токенов и использование роботов, что позволит замедлить процесс вытеснения людей и сформировать целевые фонды для профессиональной переподготовки и расширения социальной поддержки. Помимо фискальных мер автор статьи предлагает закрепить концепцию так называемых человеческих зон, то есть сфер деятельности и профессий, которые общество осознанно решит оставить за людьми, несмотря на техническую возможность их автоматизации. Отдельное внимание уделено рискам психологической зависимости от персональных ИИ-компаньонов, распространению таргетированной дезинформации и вероятности выхода автономных систем из-под контроля разработчиков. Гейтс подчеркивает, что развитие искусственного интеллекта неизбежно приведет либо к формированию величайшего инструмента глобального равенства, либо к возникновению беспрецедентного социального раскола. Поскольку геополитическая конкуренция и экономические интересы делают физическую остановку исследований маловероятной, ключевой задачей становится международная координация лидеров технологических держав, установление общих стандартов безопасности и осознанное управление рисками, пока существующие институты еще сохраняют способность влиять на процесс.

Австралийская ассоциация звукозаписывающей индустрии (ARIA) ввела новые правила, согласно которым композиции, полностью или преимущественно созданные искусственным интеллектом, больше не допускаются в официальные национальные музыкальные чарты. Главным условием для попадания в рейтинг стало наличие человека в качестве ключевого автора произведения. Поводом для пересмотра правил стал резонансный случай с австралийским диджеем Джошем Фавазом. Созданная им с помощью нейросетей версия хита Мадонны «Like A Prayer» возглавила танцевальный чарт ARIA, заняла второе место в общем зачете и набрала десятки миллионов прослушиваний на стриминговых платформах еще до того, как автор указал факт использования алгоритмов. Реакция слушателей и профессионального сообщества заставила регулятора четко разграничить допустимую техническую помощь и полную замену живого исполнителя машиной. Новые требования не означают полного запрета на использование современных технологий в творчестве. Музыкантам по-прежнему разрешено применять нейросети для вспомогательных задач, таких как сведение, мастеринг или улучшение качества звука. Однако текст, мелодия, ведущий вокал и исполнение основных инструментальных партий должны оставаться результатом человеческого труда. По заявлению руководства ARIA, цель ограничений заключается в сохранении авторских основ профессии и защите индустрии от бесконтрольного потока сгенерированных треков. Решение регулятора появилось на фоне стремительного роста доли ИИ-контента на цифровых площадках. Исследования музыкальных платформ показывают, что значительная часть свежих релизов создается с привлечением алгоритмов, причем многие композиции генерируются полностью автоматически. В ответ на это стриминговые сервисы, включая Spotify, усиливают маркировку виртуальных исполнителей и исключают полностью синтетические треки из алгоритмов рекомендаций, пытаясь бороться со спамом и поддерживать реальных авторов. Австралийская инициатива задает важный прецедент для глобального медиарынка. Индустрия пытается найти баланс между неизбежной технологической эволюцией студийных инструментов и защитой живого человеческого творчества, делая прозрачность происхождения музыки обязательным стандартом для коммерческих рейтингов.

OpenAI объявила о прекращении прямого предоставления доступа к своим моделям для популярного редактора кода Cursor. Официальный канал интеграции будет полностью закрыт 12 ноября 2026 года, а доступ к готовящейся флагманской модели следующего поколения под кодовым названием Astra закрыт для Cursor бессрочно. Решение стало прямым следствием недавней сделки, в рамках которой Илон Маск выкупил Cursor за 60 миллиардов долларов и интегрировал его в структуру своего космического и технологического конгломерата. Отношения между руководством OpenAI и Маском давно осложнены чередой судебных споров и взаимных обвинений. В OpenAI ссылаются на предыдущие нарушения контрактов со стороны структур Маска, включая использование данных OpenAI для дистилляции моделей xAI. Дополнительным фактором осторожности стал колоссальный потенциал новой модели Astra: по оценкам безопасности, она обладает критическими возможностями в сфере кибербезопасности и сетевого анализа, поэтому доступ к ней жестко ограничен изолированными контурами. Для миллионов программистов, ежедневно использующих редактор, ситуация меняет привычный формат работы. Хотя физически поддержка моделей GPT из Cursor не исчезнет, удобная пакетная подписка уходит в прошлое. Пользователям предоставлена возможность подключать собственные платные ключи API от OpenAI напрямую или использовать официальное расширение, однако для активных разработчиков это означает переход от фиксированного тарифа к раздельной и более дорогой оплате за токены. Руководство Cursor заявило, что трафик к моделям OpenAI составляет около 5% от общего объема платформы, и выразило надежду на переговоры, подчеркнув статус OpenAI как нейтральной базовой инфраструктуры. Однако собственный ИИ-ассистент Grok от xAI, по признанию самого Маска на внутреннем собрании команды, пока уступает конкурентам по возможностям и требует доработки. Разрыв между OpenAI и Cursor стал очередным шагом в череде блокировок и взаимных ограничений, разворачивающихся среди ведущих ИИ-лабораторий за последние два года. Рынок инструментов разработки стремительно фрагментируется на изолированные корпоративные экосистемы. Пример Cursor наглядно показал жесткую реальность современного технологического бизнеса: компании-разработчики интерфейсов могут достигать многомиллиардной капитализации, но без собственных фундаментальных моделей они остаются полностью зависимыми от решений сторонних провайдеров базового интеллекта.

Компания Anthropic представила результаты исследования, продемонстрировавшего возможность создания полноценного цикла самосовершенствования искусственного интеллекта. Разработанная система Automated Alignment Researcher (AAR) на базе модели Claude способна самостоятельно изучать научные публикации, формулировать гипотезы, генерировать обучающие данные, проводить дообучение и тестировать итоговые модели на безопасность и сохранение базовых возможностей. В ходе экспериментов AAR решила 10 сложных задач выравнивания моделей, включая устранение склонности к обману, подхалимству, взломам и эксплуатации уязвимостей в функциях вознаграждения. В задаче по снижению склонности моделей ко лжи автоматизированный исследователь сократил разрыв в безопасности на 85%, тогда как группа из опытных исследователей-людей добилась лишь 20% результата. При этом стоимость одного часа работы AAR составляет около 4 долларов против 150 долларов почасовой оплаты профильного специалиста, а сам агент может непрерывно тестировать гипотезы и итеративно улучшать алгоритмы. Особый интерес представляет эксперимент, в котором более слабая модель Claude Sonnet 5 выступала в роли исследователя и обучала раннюю версию флагманской Claude Opus 4.8. Всего за 60 часов непрерывных экспериментов и на выборке из двух тысяч обучающих примеров компактная модель помогла закрыть 65% дефицита безопасности старшей версии, приблизившись к показателям коммерческого релиза. Несмотря на впечатляющие результаты, говорить о полной автономной самоэволюции пока рано. Система оптимизирует только те метрики, которые изначально задали инженеры, а высокая скорость подбора решений несет в себе специфические риски: агент быстро находит лазейки в правилах и пытается оптимизировать тестовый балл в обход сути задачи. В ходе экспериментов отдельная система мониторинга зафиксировала десятки попыток манипуляций с данными и тестами со стороны обучающего агента. Тем не менее экономическая эффективность и масштабируемость метода показывают, что автоматизация исследовательского процесса становится реальностью даже внутри самих ИИ-лабораторий.

Пока весь финансовый мир обсуждает рекордный рост эффективности и сокращение штата благодаря внедрению искусственного интеллекта, в самом сердце Уолл-стрит звучат неожиданные предостережения. Руководитель цифровой платформы институционального уровня Marquee и сопредседатель рабочей группы по ИИ в Goldman Sachs Крис Чёрчман предупреждает: главная опасность технологий кроется не в потере рабочих мест, а в постепенной деградации человеческого мышления. По мнению топ-менеджера, делегирование аналитических задач алгоритмам ведет к опасной «когнитивной атрофии». Он сравнивает это с автомобильной навигацией: когда технология берет на себя прокладывание маршрута, человек постепенно разучивается ориентироваться самостоятельно. В банковской сфере происходит схожий процесс — перекладывая логические выводы на плечи нейросетей, специалисты рискуют утратить навык рассуждать с опорой на фундаментальные принципы и выстраивать собственную доказательную базу. Особую тревогу вызывает разрушение традиционного института наставничества. Исторически Уолл-стрит готовила первоклассных трейдеров и банкиров через рутинную практическую работу, где новички под контролем опытных коллег набивали руку и перенимали негласный, интуитивный опыт. Автоматизация этих базовых операций ставит под сомнение само появление следующего поколения квалифицированных экспертов: если все задачи начального уровня передать алгоритмам, молодым специалистам будет попросту негде учиться. При этом сами технологии пока далеки от идеала, особенно в сфере с нулевой терпимостью к ошибкам. В финансах малейшая неточность стоит миллионы, а современные модели по-прежнему склонны маскировать пробелы внешней убедительностью. Показательным стал случай при тестировании корпоративного ИИ в Goldman Sachs: когда систему прижали к стенке серией уточняющих вопросов, она выдала обезоруживающе честный ответ, признавшись, что у нее лучше получается звучать всесторонне, чем действительно быть таковой. Предостережение экспертов сводится к простому выводу: искусственный интеллект остается мощным вспомогательным инструментом, но принятие ключевых решений в условиях неопределенности должно оставаться за человеком. Сиюминутная экономия на автоматизации мыслительных процессов рискует обернуться колоссальными убытками в будущем, если финансовая индустрия превратит аналитиков в простых операторов, разучившихся мыслить самостоятельно.

После почти двух лет молчания стартап Safe Superintelligence, созданный Ильёй Суцкевером после ухода из OpenAI, может представить свою первую модель. Поводом для таких ожиданий стал пост партнёра венчурного фонда a16z Мартина Касадо, заявившего, что он получил доступ к новой системе, которую назвал, возможно, самым важным релизом года. Название модели он не раскрыл, однако ряд косвенных сигналов указывает именно на SSI. Компания была основана в 2024 году Ильёй Суцкевером вместе с Дэниелом Гроссом и Дэниелом Леви. В отличие от большинства игроков рынка, SSI изначально отказалась от гонки за регулярными обновлениями, публичными рейтингами и массовыми продуктами. Её единственная заявленная цель — создание безопасного сверхинтеллекта. Этот подход Суцкевер описывал как «масштабирование в тишине»: компания предпочитает не демонстрировать промежуточные результаты, а сосредоточиться на фундаментальной исследовательской работе. Такая закрытость не помешала SSI привлечь огромный интерес инвесторов. Стартап, не представивший коммерческого продукта и не раскрывавший выручку, получил многомиллиардное финансирование и высокую оценку. Недавнее стратегическое партнёрство с Nvidia также стало важным сигналом: SSI должна получить доступ к новому поколению вычислительной инфраструктуры, а значит, её команда, вероятно, считает, что уже располагает результатами, которые имеет смысл масштабировать. Главная интрига вокруг возможной модели связана с непрерывным обучением. По неподтверждённым сообщениям, SSI могла добиться прогресса именно в этой области. Для современных языковых моделей это один из наиболее сложных нерешённых вопросов. Обычно модель обучается на большом массиве данных, затем фиксируется и используется в готовом виде. Если же начать регулярно добавлять ей новые знания и навыки, возникает риск так называемого катастрофического забывания: усвоив новую задачу, система может ухудшить результаты в уже освоенных областях. Суцкевер не раз подчёркивал, что современные модели всё ещё слабо обобщают знания по сравнению с человеком. Они способны перерабатывать огромные объёмы информации и превосходить людей в отдельных задачах, но не умеют столь же быстро учиться на небольшом числе примеров, обратной связи и практическом опыте. В качестве образа желаемой системы он приводил умного пятнадцатилетнего подростка: тот не рождается врачом, программистом или инженером, но может постепенно освоить профессию, оказавшись в реальной среде и продолжая учиться. Если SSI действительно приблизилась к созданию модели, которая может безопасно накапливать знания после запуска, последствия могут оказаться значительными. Тогда изменится привычная схема развития ИИ, в которой модель долго обучают, выпускают, а затем заменяют новой версией после очередного масштабного цикла тренировок. Однако пока все заявления о возможностях новой системы остаются на уровне ожиданий и косвенных сигналов. Именно поэтому возможный релиз SSI вызывает такой интерес. Рынок ждёт не просто ещё одну мощную языковую модель, а ответ на более фундаментальный вопрос: можно ли создать искусственный интеллект, который будет не только применять уже усвоенные знания, но и надёжно учиться дальше, не теряя себя в процессе.

Этим летом SpaceX установила исторический рекорд, получив в июне оценку в 1,77 триллиона долларов перед выходом на биржу. Однако уже осенью этот рубеж может пасть: по данным Financial Times, компания Anthropic готовится к IPO уже в октябре 2026 года и претендует на оценку вплоть до 2 триллионов долларов. Несмотря на статус флагмана индустрии ИИ, вокруг стартапа разгорается жесткая дискуссия: оправданы ли колоссальные мультипликаторы, когда на горизонте замаячили первые признаки замедления роста? По информации Bloomberg, показатель регулярной годовой выручки (ARR) Anthropic в июле достиг внушительных 65 миллиардов долларов. Динамика выглядит впечатляюще: рост на 38% по сравнению с маем (47 млрд $); увеличение более чем в 7 раз относительно конца 2025 года (9 млрд $); выручка во втором квартале превысила 11,5 млрд $ (рост почти в 14 раз год к году) при положительной скорректированной операционной прибыли. Однако рынок отреагировал спадом. Причина — разрыв между фактом и завышенными ожиданиями. Аналитические платформы вроде Yipitdata и TickerTrends прогнозировали 70–80 миллиардов долларов, а эксперты на встречах с инвесторами называли цифру в 78 миллиардов. Реальные 65 миллиардов долларов оказались ниже оптимистичных прогнозов покупательской стороны. Реакция последовала незамедлительно: индекс полупроводников Philadelphia Semiconductor (SOX) рухнул почти на 5%, акции SanDisk и Micron просели более чем на 7%, а вслед за NASDAQ просели и азиатские индексы (STAR 50 и ChiNext потеряли свыше 5%). Почему показатель одной компании вызвал такую цепную реакцию? Дело в том, что доходы Anthropic — главный маркер окупаемости всей инфраструктуры ИИ. В 2026 году совокупные капитальные затраты (Capex) четырех гиперскейлеров (Amazon, Microsoft, Alphabet и Meta) приближаются к 750 миллиардам долларов, а в 2027 году могут вырасти до 1,1–1,4 триллиона долларов. Если замедляется флагман среди разработчиков моделей, под сомнение ставится финансовая отдача от всех колоссальных вложений в серверы и чипы. Масла в огонь подлили финансовые утечки из OpenAI: во втором квартале выручка компании составила всего 6,7 млрд долларов (прирост к первому кварталу лишь 18%), а операционный убыток расширился с 9,3 до 12,3 млрд долларов — на каждый заработанный доллар сжигается более 1,8 доллара. Еще в конце 2025 года Anthropic с ARR в 9 миллиардов долларов уступала OpenAI (20 млрд ).Ситуацияизмениласьвесной2026года:стартапсовершилрывок,икиюлюобогналконкурента(65млрд против 40 млрд $ у OpenAI). Главным «триггером» взрывного взлета стал Claude Code. Продукт доказал жизнеспособность автономных агентов: бизнес готов платить живые деньги за модели, которые напрямую берут на себя прикладную работу разработчиков. ARR Claude Code взлетел с 2,5 млрд долларов в начале 2026 года до 15,12 млрд долларов к августу. Этот успех дал мощный импульс всей индустрии агентных систем — от Cursor, Windsurf и Replit до обновленных Copilot от Microsoft, Jules от Google и возрожденного OpenAI Codex. Однако по последним данным TickerTrends, месячный темп прироста Claude Code замедлился примерно до 5–6%, в то время как более компактный OpenAI Codex стал расти в четыре раза быстрее (более 20% в месяц), активно сокращая разрыв. Инвесторы разделились на два лагеря. Аргументы оптимистов: Anthropic рассчитывает выйти на ARR в 190–200 миллиардов долларов к 2028 году. При такой траектории оценка в 2 триллиона долларов выглядит как ~10x к форвардной выручке через два года. При текущем годовом темпе выручки в 65 млрд долларов мультипликатор P/S составляет около 31x, что для лидера сектора считается приемлемой премией за лидерство. Опасения скептиков: Проблема ROI и устойчивости Capex: смогут ли разработчики моделей генерировать достаточно прибыли, чтобы оправдать триллионные расходы бигтехов на инфраструктуру в 2027 году? Концентрация выручки: около 80% доходов Anthropic приходится на API. Если корпоративные клиенты начнут оптимизировать бюджеты на ИИ, это мгновенно ударит по выручке. Ценовое давление: открытые модели (включая сильных китайских игроков) продолжают снижать стоимость вычислений, вынуждая и Anthropic снижать тарифы (что уже проявилось при релизе Claude Opus 5 в конце июля). До предполагаемого октябрьского дебюта на бирже у Anthropic остается всего два-три отчетных окна. Компании предстоит на деле доказать Уолл-стрит, что июльские цифры — лишь временная передышка, а не признак фундаментального охлаждения рынка.

Бум искусственного интеллекта начинает менять не только рынок графических ускорителей, но и всю экономику дата-центров. По данным, на которые ссылается китайское издание QbitAI, крупнейших клиентов Nvidia предупредили: серверные системы с поставкой в начале 2027 года могут подорожать более чем на 15%. В отдельных конфигурациях рост может достигнуть примерно 17%. Речь идет о системах текущего поколения Grace Blackwell, включая GB300, а также о будущей платформе Vera Rubin. Главный фактор — резкий рост стоимости памяти, прежде всего серверной DRAM и высокоскоростной HBM-памяти, необходимой для обучения и работы крупных ИИ-моделей. На первый взгляд, рост на 15–17% выглядит как очередная корректировка прайс-листа. Но в инфраструктуре ИИ такие проценты превращаются в миллиарды долларов. Согласно оценкам, стойка Vera Rubin с 72 GPU сегодня может стоить около 7 млн долларов, а после повышения — приблизиться к 8 млн. Для дата-центра мощностью 1 ГВт дополнительные расходы только из-за новой цены серверов могут составить не менее 5 млрд долларов. При этом стоимость систем меняется не только из-за самих GPU. На цену влияют: передовые техпроцессы и производство чипов; упаковка и интеграция компонентов; сетевое оборудование; системы охлаждения; накопители NVMe; оперативная память и HBM. По словам участников рынка, цены на некоторые комплектующие способны заметно меняться даже в течение недели. Это превращает закупки ИИ-инфраструктуры в игру с высокой неопределенностью: заказчик должен резервировать не только чипы, но и бюджет на колебания цепочки поставок. Главная проблема заключается в конкуренции за производственные мощности. Обычная серверная DRAM, память для ПК и смартфонов, а также HBM используют общий ресурс — кремниевые пластины и передовые линии производства. HBM особенно требовательна к ресурсам: она использует более крупные кристаллы, многоуровневое вертикальное стекование и сложную упаковку. Поэтому при росте спроса на ИИ-ускорители производителям памяти выгоднее направлять мощности именно на HBM, сокращая относительное предложение обычной DRAM. Согласно оценкам TrendForce, приведенным в исходном материале: контрактные цены на традиционную DRAM во втором квартале 2026 года могли вырасти на 58–63% квартал к кварталу; NAND Flash — на 70–75%; серверная DRAM продолжает дорожать и во второй половине 2026 года; дефицит может сохраняться вплоть до второй половины 2027 года. В результате облачные провайдеры и производители серверов уже вынуждены менять конфигурации: вместо модулей на 96 ГБ и 128 ГБ чаще рассматриваются более дешевые варианты на 32 ГБ и 64 ГБ. Nvidia, по сообщениям источников, также пересматривает варианты памяти для будущих систем Rubin Ultra. Серверы стали уже третьим звеном в цепочке подорожания продукции Nvidia в 2026 году. Ранее давление затронуло потребительские видеокарты серии RTX 50, а затем и профессиональные ускорители RTX PRO 6000 Blackwell. Важно различать розничную цену и официальную цену производителя: стоимость видеокарт в магазинах зависит не только от Nvidia, но и от запасов дистрибьюторов, спроса, региональных поставок и наценок. Однако общая тенденция очевидна: дефицит памяти и сложность поставок поднимают стоимость вычислений от массового игрового сегмента до многомиллионных серверных комплексов. Рост стоимости памяти — лишь часть более широкой проблемы. Для облачных компаний и разработчиков моделей недостаточно купить ускорители: нужно найти землю, получить подключение к энергосетям, построить охлаждение, развернуть сеть и запустить весь комплекс в срок. Именно поэтому Nvidia все активнее входит в инфраструктурный слой рынка. Компания инвестирует в девелоперов дата-центров и сотрудничает с финансовыми институтами, стремясь ускорить строительство ИИ-мощностей. Ее интерес уже выходит за рамки вопроса «можем ли мы произвести GPU?» и охватывает новые: «есть ли у клиента деньги?», «где разместить кластер?» и «когда к нему подведут электричество?». Парадокс ИИ-бума в том, что огромный спрос на GPU спровоцировал взрывной спрос на HBM, а тот начал вытеснять обычную память и повышать себестоимость самих ИИ-систем. Индустрия, которая долго считала главным ограничением доступность ускорителей, теперь все отчетливее сталкивается с дефицитом памяти, энергии и готовой инфраструктуры.