Социальные сети

На конференции Sequoia AI 2026 прозвучала мысль, которая точно описывает текущий момент: искусственный интеллект перестал быть просто инструментом ускорения — он начал переписывать сами правила работы. Когда Андрей Карпаты спокойно сказал, что уже не помнит, когда в последний раз вручную исправлял вывод ИИ, это прозвучало не как громкое заявление, а как констатация новой реальности. Главное изменение — в способе работы. Раньше: человек детально прописывал шаги машина исполняла инструкции Теперь: человек формулирует цель модель сама находит путь Это кажется просто ускорением, но на самом деле исчезает целый слой — промежуточная логика, на которой строились продукты и бизнесы. Классический пример: раньше, чтобы по фото меню показать блюда, нужно было собрать целое приложение — распознавание текста, генерация изображений, интерфейс. Теперь достаточно загрузить фото и дать команду — модель делает всё сама. И это разрушает привычную логику создания продуктов. Пользователю не нужен инструмент — ему нужен результат. Исчезновение «промежуточного слоя» Под удар попадают целые классы продуктов: конвертеры форматов инструменты обработки данных часть low-code платформ Их ценность была в том, что они упрощали путь к результату. Но если путь больше не нужен — исчезает и ценность. Новая точка ценности смещается: не «как сделать», а «что считать правильным результатом». Карпаты сравнивает современные AI-агенты со стажёрами: могут выполнять большие объёмы работы но иногда допускают странные ошибки Ключевой критерий автоматизации — проверяемость. Если результат можно однозначно проверить (код работает, данные корректны) — задача быстро уходит к ИИ. Если требуется оценка, интерпретация, выбор — человек остаётся. Но граница постоянно сдвигается. Даже «творческие» задачи становятся автоматизируемыми, если у них появляется критерий проверки (например, соответствие бренду или требованиям). В итоге: машина делает выполнение человек определяет рамки и цели Речь больше не идёт о замене профессий целиком. Любая работа раскладывается на: 70–80% — рутинные, проверяемые задачи 20–30% — принятие решений и смысл Именно первые быстро автоматизируются. Это касается: дизайнеров юристов бухгалтеров разработчиков Человек остаётся там, где нужно определить, что правильно и почему. Демис Хассабис (Google DeepMind) обозначил ориентир: AGI может появиться к 2030 году. Это создаёт новую проблему для бизнеса и карьеры: стартапы живут 5–8 лет за это время может полностью измениться технологическая база Вывод: нужно строить то, что переживёт очередной скачок моделей. Рекомендация проста, но радикальна: уходить в deep tech (наука, медицина, материалы) работать с физическим миром создавать решения, которые нельзя «обнулить» новым апдейтом модели В чисто программных продуктах устойчивость резко снижается — их легче всего «съедает» прогресс ИИ. Самый важный вывод конференции звучит почти философски: можно делегировать мышление, но нельзя делегировать понимание ИИ может: генерировать анализировать выполнять Но он не может: определить, что действительно важно понять, зачем это нужно выбрать правильную цель И именно это становится главным человеческим преимуществом. Ссылки:

Искусственный интеллект уже перестал быть чем-то абстрактным и стал частью повседневной рабочей рутины. Для одних он открыл новые возможности, для других — ускорил увольнение. Особенно остро это чувствуется в белых воротничках: аналитике, программировании, дизайне, переводе. На фоне разговоров о «новой эре эффективности» все чаще звучит другой вопрос: что делают люди, чью работу уже начал забирать AI? Не в теории, а в реальной жизни. Что происходит с теми, чьи задачи раньше считались надежными, сложными и защищенными от автоматизации? Ответ оказался простой и тревожный одновременно: они не сидят сложа руки. Кто-то учится работать с AI, кто-то переходит в смежные профессии, кто-то пытается удержаться в своей сфере, но уже в новой роли. Почти у всех одна и та же мысль: если нельзя остановить перемены, надо менять себя. История с AI напоминает прошлые технологические скачки. Когда-то люди боялись машин, фабрик, автомобилей и компьютеров. Но нынешняя волна отличается тем, что она бьет не только по ручному труду, а по тем профессиям, которые считались интеллектуальными и «безопасными». Теперь под ударом оказались: аналитики; программисты; дизайнеры; переводчики; сотрудники креативных и рекламных агентств. Главная проблема не только в том, что AI умеет делать часть работы быстрее. Проблема в том, что он сильно удешевляет труд. Если раньше на задачу нужно было три человека, теперь работодатель хочет одного — но с AI-инструментами и в три раза большей нагрузкой. Именно поэтому многие специалисты оказались в странной ситуации: они сами активно используют AI, чтобы работать быстрее, но одновременно видят, как он сокращает их ценность на рынке. Один из самых показательных примеров — инвестиционный аналитик, который раньше тратил несколько дней на конкурентный анализ и подготовку отчетов. Теперь AI справляется с тем же за несколько часов. То, что раньше считалось ценным профессиональным навыком — умение быстро разбирать большие массивы данных, — стало почти базовой функцией. AI умеет: собирать информацию; выделять главное; строить таблицы; готовить черновики отчетов. Сначала это воспринималось как удобство. Потом пришли сокращения. В командах начали урезать штат, снижать зарплаты и требовать от оставшихся сотрудников большего объема работы за те же деньги. В результате многие аналитики теперь не просто ищут новую работу — они вынуждены прямо в резюме указывать, что умеют работать с AI. Это уже не бонус, а обязательное требование. Похожая история происходит в разработке. Один из героев материала — backend-программист с большим опытом — рассказывает, что значительную часть его повседневной работы AI уже способен выполнять самостоятельно. Раньше поиск ошибки в коде мог занимать часы, а иногда и дни. Теперь достаточно правильно поставить задачу модели, и через несколько минут можно получить: логику решения; структуру функции; вариант исправления; тесты; рекомендации по оптимизации. На первый взгляд это удобно. Но на практике оказывается, что компаниям требуется все меньше обычных разработчиков и все больше универсальных специалистов, которые смогут: писать код; проверять AI; быстро переключаться на смежные задачи; разбираться не только в программировании, но и в продукте, бизнесе и инфраструктуре. Отсюда и новая тревога: если AI способен выполнять большую часть рутинной разработки, то что остается человеку? Ответ все чаще звучит так: не код сам по себе, а умение понимать систему целиком. Именно поэтому многие программисты начинают учить не только новые языки, но и темы вроде: работы с AI-агентами; интеграции больших моделей; автоматизации процессов; инженерии промптов; архитектуры AI-продуктов. То есть не уходят от AI, а стараются встроиться в него. В дизайне ситуация еще сложнее. С одной стороны, AI действительно умеет генерировать десятки вариантов за минуты. С другой — именно в этой сфере особенно важны вкус, понимание бренда, аудитории и цели коммуникации. Один из дизайнеров, работающий уже много лет, признается: AI поразил его скоростью. То, на что раньше уходил целый день, теперь можно получить почти мгновенно. Это касается: эскизов; референсов; концептов; вариаций упаковки; черновиков рекламных материалов. Но вместе с удобством пришло и обесценивание. Клиенты все чаще спрашивают: если AI может сделать картинку за несколько минут, почему за дизайн нужно платить так дорого? Именно здесь и возникает разрыв между внешним видом работы и ее реальной ценностью. AI может выдать много визуально приемлемых решений, но он не понимает: зачем нужен именно этот образ; как он повлияет на продажи; что заложено в стратегии бренда; где закончится «красиво» и начнется «эффективно». Поэтому дизайнеры, которые хотят выжить в новой реальности, все чаще идут дальше технических навыков. Они изучают: маркетинг; брендинг; пользовательский опыт; креативную стратегию; управление проектами. Вывод простой: AI забирает рутину, но не забирает Сильнее всего AI ударил по переводу. Раньше хороший переводчик был человеком, который не просто «перекладывает слова», а передает стиль, интонацию и контекст. Теперь большую часть черновой работы делает машина. Один из фриланс-переводчиков рассказывает, что его прежняя модель работы почти исчезла. Клиенты все чаще присылают машинный перевод и просят не полноценную работу, а лишь постредактирование. Оплата при этом падает в два, а то и в три раза. То есть профессия вроде бы не исчезла, но стала другой: меньше творчества; больше правок; меньше времени на текст; больше механической проверки; ниже доход. Фактически переводчик превращается в редактора AI-черновика. Чтобы не выпасть из профессии, многие начинают: осваивать постредактирование; учиться работать быстрее; брать больше заказов; переходить в смежные области, например в локализацию, международные проекты или управление контентом. Но проблема остается: если раньше переводчик был конечным исполнителем, то теперь он часто лишь последний этап в цепочке, где основную работу уже сделал AI. Несмотря на разницу профессий, у всех этих людей одна общая стратегия: они не ждут, что рынок вернется в прежнее состояние. Они делают три вещи одновременно: Осваивают AI как инструмент Чтобы не отстать; Чтобы ускорить свою работу; Чтобы не быть теми, кого заменили полностью. Уходят в более широкие компетенции Не только писать код, но и понимать бизнес; Не только рисовать, но и думать о продукте; Не только переводить, но и управлять локализацией; Не только делать отчеты, но и понимать стратегию. Ищут профессию, в которой AI не сможет заменить человека целиком В коммуникации; В принятии решений; В управлении; В креативной концепции; В понимании контекста. То есть человек остается ценным там, где важны не только скорость и шаблон, но и: вкус; ответственность; эмпатия; понимание людей; умение принимать решения в неопределенности. AI уже не просто помощник. Для многих он стал фактором увольнения, смены профессии и пересмотра собственной ценности на рынке. Но история этих людей показывает и другое: профессия

После выхода GPT Image 2 пользователи заметили странную вещь: модель внезапно начала идеально работать с китайским текстом. Там, где раньше были нечитаемые символы, теперь — корректные иероглифы, аккуратная верстка и даже сложные инфографики. За этим прорывом стоит один из исследователей OpenAI —Чэнь Боюань. В отличие от громких фигур индустрии, он не строит публичный образ и редко появляется в медиа. Но именно он оказался одним из ключевых людей, стоящих за новой генерацией изображений в ChatGPT. Главное изменение в GPT Image 2 — это не просто улучшение качества картинок. Модель научилась работать с изображением как с структурированной системой, а не набором пикселей. Раньше нейросети могли: красиво рисовать имитировать стили создавать фотореализм Но ломались, когда в изображении появлялось что-то сложнее — текст, логика, структура. Теперь ситуация изменилась. GPT Image 2 умеет: корректно писать текст (в том числе китайский) учитывать иерархию (картинка внутри картинки и т.д.) связывать визуальные элементы со смыслом строить логические визуальные конструкции Например, модель может сгенерировать комикс с несколькими уровнями вложенности, добавить туда текст на разных языках и при этом сохранить смысловую связность всей сцены. Проблема в том, что текст внутри изображения — это не просто «рисунок букв». Это: язык структура контекст расположение в пространстве Для модели это означает необходимость одновременно понимать: визуальную сцену языковую информацию связи между объектами Именно такие задачи и лежат в центре исследований Чэня Боюаня. В отличие от многих исследователей, сосредоточенных на улучшении качества генерации, Чэнь занимается более фундаментальными вопросами: как модель понимает изображение как связаны язык и визуальный мир формирует ли ИИ внутреннюю «картину реальности» Это направление известно как world models (модели мира). Идея простая: если ИИ действительно понимает мир, он должен не просто генерировать ответы, а: предсказывать события учитывать физику понимать причинно-следственные связи Например, должен «знать», что стеклянный стакан разобьётся при падении, а пластиковый — нет. Среди ключевых работ, в которых участвовал Чэнь, выделяются два направления: 1. Diffusion Forcing. Попытка объединить два подхода: пошаговую генерацию (как у языковых моделей) целостную (как у диффузионных моделей) Это позволяет модели одновременно: держать структуру и гибко генерировать детали 2. SpatialVLM. Работа над тем, чтобы модель начала реально понимать пространство: расстояния размеры расположение объектов То есть не просто «видеть», а рассуждать о сцене. Прорыв с китайским языком — это не отдельный «фикс», а следствие всей этой работы. Когда модель начинает: понимать структуру изображения учитывать иерархию связывать текст с контекстом она автоматически лучше работает с любыми языками — даже сложными, как китайский. Поэтому GPT Image 2 умеет: писать мелкие иероглифы размещать текст в нужных местах сохранять читаемость даже в сложных сценах Интересно, что за этой технологией стоит относительно небольшая команда — около десятка человек. Среди них заметно много исследователей с китайскими именами, работающих над разными аспектами: визуальные модели обучение оценка качества архитектура Это не гигантский конвейер, а скорее компактная исследовательская группа, где каждый отвечает за часть общей системы. Сам Чэнь Боюань — довольно необычная фигура. С одной стороны: PhD MIT опыт в DeepMind работа в OpenAI С другой — человек с очень «человеческими» интересами. Например, он любит bubble tea настолько, что даже делал рейтинг университетов США по качеству молочного чая. Этот подход — разбирать сложное на понятные критерии — прослеживается и в его научной работе. GPT Image 2 — это не просто ещё один генератор картинок. Это шаг к тому, чтобы изображение стало полноценным носителем информации, а не просто визуальным результатом. Если раньше AI «рисовал», то теперь он начинает визуально мыслить. А значит: инфографика обучение интерфейсы дизайн — всё это будет меняться быстрее, чем кажется. И, возможно, именно такие исследователи, как Чэнь Боюань, двигают эту трансформацию сильнее, чем самые громкие имена индустрии.

Пока искусственный интеллект стремительно меняет мир, за кулисами этой технологической революции существует почти невидимая профессия — разметчики данных. Именно они «учат» нейросети распознавать объекты, понимать текст и ориентироваться в реальности. Но за громкими разговорами о будущем AI скрывается куда более прозаичная картина: низкие доходы, высокая текучка и отсутствие перспектив. Работа разметчика выглядит просто: выделять на изображениях объекты, сортировать данные, размечать тексты. По сути, это цифровая версия конвейера — однообразные действия, повторяющиеся сотни раз в день. В офисах аутсорс-компаний — ряды компьютеров, за которыми сидят в основном молодые люди без опыта. Входной порог минимальный: достаточно базовой внимательности и усидчивости. Именно это делает профессию привлекательной для тех, кто ищет быстрый способ «войти в AI-индустрию». Но реальность быстро отрезвляет. Многие приходят в эту сферу с ожиданием, что работа с AI даст им шанс вырасти в более технологичную роль. На практике же большинство сталкивается с типичным циклом: интерес → привыкание → разочарование → уход Задачи становятся рутинными, нагрузка — высокой, а оплата — нестабильной. Часто работа оплачивается за выполненные «пакеты», и любая ошибка может привести к отказу в оплате. В пересчете на время доход нередко оказывается ниже 150 рублей в час. При этом физические и психологические нагрузки накапливаются: постоянное напряжение глаз, боли в спине и шее, ощущение монотонности и «выгорания». Даже внутри компаний редко можно встретить сотрудников, работающих больше полугода. Несмотря на формально существующие «карьерные лестницы» (разметчик → проверяющий → менеджер), реальные шансы на рост минимальны. В результате такие позиции становятся временным «буфером» для: выпускников без опыта, людей в поиске работы, тех, кто надеется «поймать волну AI». Но сама работа почти не дает навыков, которые можно перенести в более квалифицированные роли. Разметчики играют критически важную роль: без их работы невозможно обучение моделей. Но при этом они остаются самой уязвимой частью индустрии — своего рода «расходным материалом». Парадокс в том, что: они помогают AI «видеть мир», но сами часто не видят собственного будущего в этой индустрии. Рост популярности AI породил и волну образовательных курсов, обещающих «вход в профессию». Многие из них продают идею, что разметка — это шаг к карьере в AI. На деле же это чаще всего просто низкоквалифицированный труд, не требующий длительного обучения. Ситуация напоминает старые схемы с платными курсами «удаленной работы», только теперь они упакованы в модную обертку искусственного интеллекта. Пока AI нуждается в больших объемах размеченных данных, такие рабочие места будут существовать. Но по мере развития технологий автоматизации часть этих задач может исчезнуть. Главный вопрос остаётся открытым: что будет с теми, кто обучает AI, когда он научится обходиться без них? Сегодня тысячи людей сидят за экранами и «кормят» нейросети данными, помогая строить будущее технологий. Но их собственное будущее в этой системе остается неопределенным.

Сезон корпоративной отчётности в Кремниевой долине в 2026 году показал важный сдвиг в настроениях инвесторов: теперь рынку уже недостаточно красивой истории про «ставку на AI». Если раньше достаточно было объявить о масштабных инвестициях в искусственный интеллект, чтобы получить премию в оценке, то теперь Уолл-стрит требует другого — доказательств окупаемости. На этой неделе пять крупнейших технологических гигантов США — Alphabet, Microsoft, Meta, Amazon и Apple — одновременно отчитались о результатах. Совокупная капитализация этих компаний превышает 14 триллионов долларов, а суммарная квартальная прибыль приблизилась к 150 миллиардам. Формально это был успех по всем параметрам: каждая из компаний превзошла ожидания аналитиков, ни у одной не случилось провала. Но реакция рынка оказалась неожиданно жёсткой и неоднородной. Alphabet подорожала примерно на 10%; Apple выросла на 4%; Amazon почти не изменилась; Microsoft просела на 4%; Meta (запрещённая в России) упала сразу на 7%. Разрыв между победителем и аутсайдером составил 17 процентных пунктов. И это при том, что все они зарабатывают очень много. Проблема в том, что теперь рынок оценивает не сам факт роста, а то, во что именно превращаются инвестиции в AI. Последние два года инвесторы жили по простой логике: если компания активно вкладывается в AI, строит дата-центры и закупает чипы, значит, она играет в будущее, и заслуживает премию к оценке. В 2026 году эта логика перестала работать. Рынок больше не покупает мечту саму по себе. Теперь он спрашивает: сколько денег вернётся, когда именно и по какой траектории. Именно поэтому Alphabet и Meta, несмотря на сильные отчеты, получили совершенно разную реакцию. У Alphabet картина оказалась особенно убедительной. Выручка выросла на 22%, до 109,9 млрд долларов, а чистая прибыль подскочила до 62,6 млрд. Но главное даже не в этом. Ключевой момент — каждый доллар, вложенный в AI, уже начинает возвращаться в доходы. Google Cloud выручила более 20 млрд долларов за квартал, рост составил 63%; маржинальность облачного бизнеса выросла почти вдвое; поисковый бизнес не ослаб, как предсказывали скептики, а наоборот усилился; рекламная выручка в поиске выросла на 19%; количество платных подписчиков достигло 350 млн; объем облачных заказов резко вырос. Для рынка это идеальная схема: деньги вложены, и уже видно, как они превращаются в выручку, маржу и растущий backlog. В случае Alphabet AI не выглядит как дорогая вера в будущее — он выглядит как работающая бизнес-машина. У Meta цифры тоже хорошие. Выручка выросла на 33%, а рекламные продукты, особенно Advantage+, дали заметное улучшение эффективности: стоимость привлечения клиентов снизилась, а возврат на рекламу вырос. Но рынок посмотрел не только на текущие цифры, а на будущие обязательства. Meta подняла прогноз капитальных расходов на 2026 год до 125–145 млрд долларов. И именно это вызвало тревогу. Вопрос инвесторов звучит просто: если компания собирается тратить так много, то где именно будет ответная AI-выручка? Рост эффективности рекламы — это хорошо, но достаточно ли его, чтобы оправдать ежегодные затраты такого масштаба? Раньше рынок прощал огромные инвестиции, если компания уверенно заявляла, что строит AI-будущее. Теперь этого мало. Теперь нужно показать, что расход превращается в денежный поток. У Microsoft показатели тоже были сильными: выручка выросла на 18%, Azure прибавил 40%, AI-бизнес вышел на высокий годовой темп дохода. Но рынок все равно наказал акцию падением. Причина — не в цифрах, а в разломе между цифрами и историей. Долгое время Microsoft строила свой AI-образ на тесной связке с OpenAI. По сути, именно Azure был домом для передовых моделей, и это поддерживало премию в оценке акций. Но теперь архитектура меняется: OpenAI начинает расширять сотрудничество с AWS, а значит, у Microsoft появляется риск потерять эксклюзивность. Для рынка это сигнал: если партнер, вокруг которого строилась часть AI-легенды, уходит в многовендорную модель, то прежний сюжет больше не работает. Microsoft по-прежнему зарабатывает отлично, но история, которая оправдывала премиальную оценку, дала трещину. Amazon показала сильное ускорение AWS, выручка облачного сегмента выросла на 28%. Но инвесторы смотрят уже не на сам рост, а на его цену. За последние 12 месяцев свободный денежный поток Amazon рухнул почти до нуля — с 25,9 млрд долларов до 1,2 млрд. Причина понятна: компания тратит огромные суммы на инфраструктуру, электричество, центры обработки данных и расширение облачных мощностей. Получается парадокс: Amazon вроде бы растет, но в моменте становится менее свободной финансово. Рынок это чувствует и не спешит награждать такую модель бурным ростом акций. Пока Amazon не покажет, что эти инвестиции начнут приносить стабильную прибыль, инвесторы останутся в режиме ожидания. На фоне этих гигантов Apple выглядит почти консервативно. И именно это, как ни странно, сейчас помогает ей. Компания показала рекордную для мартовского квартала выручку — 111,2 млрд долларов, рост составил 17%. Сильные продажи iPhone 17, рост в Китае, исторический максимум по сервисной выручке — все это поддержало котировки. Но главное — Apple не участвует в AI-гонке на тех же условиях, что и конкуренты. Она не строит гигантские дата-центры, не тратит сотни миллиардов на собственную AI-инфраструктуру и не пытается любой ценой доказать, что она самая агрессивная в AI. Вместо этого Apple направляет ресурсы в выкуп акций и дивиденды, а AI-функции строит более осторожно — через партнерства и локальные решения. На фоне конкурентов это выглядит почти скучно. Но именно скука сейчас ценится рынком: когда все тратят сверх меры, компания с запасом прочности кажется самым надежным активом. Самый важный вывод из этой отчетности в том, что AI-инвестиции окончательно перешли из стадии веры в стадию проверки. За последние два года рынок жил надеждой. В 2024 году все спорили, не является ли AI пузырем. В 2025-м вопрос звучал иначе: можно ли на AI вообще заработать?В 2026 году он стал еще жестче: кто именно забирает прибыль? Потому что AI как технология действительно может приносить деньги. Но не факт, что эти деньги достанутся тем, кто потратил больше всех. В этой гонке выигрывают не только модели, но и инфраструктура: облака, чипы, дата-центры, электросети, контракты на энергомощности. Сегодня рынок больше не аплодирует самому факту инвестиций. Он хочет видеть: прямую монетизацию; рост прибыли на каждый вложенный доллар; устойчивость маржи; понятную траекторию возврата капитала. Иными словами, теперь важен не масштаб обещаний, а качество доказательств. Этот сезон отчетности ясно показал: эпоха безусловной веры в AI закончилась. Alphabet растет, потому что ее AI уже работает в деньгах. Apple растет, потому что умеет сохранять дистанцию от безумной гонки и при этом приносить прибыль. Microsoft, Meta и Amazon

Если следить за новостями ИИ в последние месяцы, возникает ощущение, что весь рынок вдруг заговорил об одном и том же — «world models» (мировые модели). Но парадокс в том, что под этим термином разные компании часто понимают совершенно разные вещи. На самом деле это признак важного сдвига: на наших глазах формируется новая базовая технология, которая одновременно проникает в несколько отраслей. Главное заблуждение — путать мировые модели с робототехникой или «воплощённым ИИ». Мировая модель — это не робот и не конкретный продукт. Это способ описывать и предсказывать мир: представлять состояние окружающей среды понимать пространство, время и объекты прогнозировать последствия действий Проще говоря, это «движок симуляции реальности» внутри ИИ. В роботах он — лишь один из компонентов: восприятие «видит» мир мировая модель «понимает и предсказывает» планирование решает, что делать управление выполняет действие Причина проста: разные индустрии одновременно подошли к одной и той же границе — необходимости предсказывать сложный реальный мир, а не просто работать с текстом. Поэтому один и тот же фундамент начинает использоваться в разных формах: в роботах — как «мозг» для действий в играх и контенте — как генератор 3D-миров в автопилоте — как система предсказания дорожной ситуации Отсюда и путаница в терминах: это одна идея, но разные реализации. Сегодня «мировые модели» развиваются сразу в трёх ключевых направлениях. 1. Робототехника (ставка на универсальность)Компании делают ставку на то, что мировая модель станет ядром «универсального мозга» для роботов. Цель — научить систему: понимать физический мир обобщать опыт действовать в разных средах Это самый амбициозный сценарий — и самый рискованный. 2. 3D-миры и контент (ставка на быстрые деньги)Технологические гиганты вроде Alibaba и Tencent используют мировые модели для генерации интерактивных миров: создание 3D-сцен управление сюжетами интеграция в игры и контент Здесь самая быстрая коммерциализация: технологии сразу встраиваются в существующие экосистемы. 3. Автономное вождение (ставка на инженерную точность)Автопилоты применяют мировые модели для: симуляции дорожных ситуаций предсказания поведения участников движения обучения на редких сценариях Это самый «приземлённый» и проверяемый вариант — с чёткими метриками и быстрым циклом тестирования. Интересный парадокс: самый зрелый сценарий (автопилот) привлекает меньше хайпа, чем робототехника или генерация миров. Причины: автопилот — узкий и строго регулируемый рынок контент — быстрые деньги для крупных платформ роботы — потенциально огромный рынок, привлекающий венчур В итоге складывается разделение ролей: корпорации — зарабатывают на контенте автопром — решает реальные инженерные задачи инвесторы — делают ставку на будущее «универсального ИИ» Самое важное — мировые модели перестают быть отдельной нишей. Они становятся фундаментальным слоем ИИ, как когда-то стали нейросети или большие языковые модели. Именно поэтому: все говорят о них одновременно все определяют их по-разному все пытаются занять свою позицию Это типичная стадия, когда технология выходит из лабораторий и начинает превращаться в инфраструктуру. Бум вокруг мировых моделей — это не просто очередной хайп. Это сигнал, что ИИ делает следующий шаг: от работы с текстом → к пониманию реальности от генерации → к предсказанию и действию от инструментов → к моделированию мира Сегодня это выглядит хаотично. Но именно такие периоды обычно предшествуют появлению новой технологической основы — той, на которой потом строится вся индустрия.

Согласно свежим данным за первую половину 2026 года, самым прибыльным активом в мире стали не золото и не биткоин, а обычные планки оперативной памяти. Цены на модули DDR4 взлетели на 200–340% по сравнению с началом года, а стоимость топовых серверных решений достигла абсурдных отметок. Ситуация на рынке памяти напоминает шторм. По данным аналитических агентств TrendForce и Counterpoint, только за последние два квартала контрактные цены на DRAM выросли более чем на 80%. Цифры говорят сами за себя: Серверная память 64 ГБ RDIMM подорожала с $450 до $900+ всего за полгода. Одиночная планка DDR5 на 256 ГБ для дата-центров теперь стоит более $5500 На потребительском рынке возник парадокс: из-за дефицита «старая» память DDR4 в моменте стала стоить дороже новой DDR5. Это не обычный циклический кризис. В этот раз виноват не спрос на ПК или смартфоны, а бум искусственного интеллекта. Приоритет ИИ-серверов: ИИ-серверу требуется в 8 раз больше памяти, чем обычному. К концу 2026 года такие системы поглотят 66% всех мировых мощностей по производству DRAM. Перезапуск заводов: Гиганты вроде Samsung и Micron переоборудовали 80% линий под нужды ИИ (память HBM и DDR5). Линии по выпуску дешёвой памяти DDR4 массово демонтируются — производить старые чипы на новом оборудовании просто невыгодно. Тим Кук на недавнем финансовом отчёте Apple уже предупредил: после июня стоимость компонентов начнёт напрямую влиять на конечную цену устройств. Смартфоны: ожидается рост цен на 100–300 юаней (примерно 1500–4000 рублей) уже во втором полугодии. iPhone 18, скорее всего, выйдет с заметно более высоким ценником. Ноутбуки: крупные бренды (Lenovo, Dell, HP) уже начали пересматривать прайс-листы. В некоторых случаях рост цены составит до 15-20%. Мы вступаем в эпоху «новой нормальности». Поскольку новые заводы будут построены не раньше 2028 года, дешёвой памяти в ближайшее время ждать не стоит. ИИ забирает ресурсы, а платить за это придется конечному потребителю.

Пока внимание приковано к чипам и большим моделям, в тени стремительно развивается другой ключевой элемент технологической гонки — печатные платы (PCB). Именно они превращают достижения в материалах и архитектуре в реальные, массово производимые продукты. И сегодня центр тяжести этой индустрии всё заметнее смещается в Китай. Долгое время Китай доминировал на рынке PCB по объёму, но уступал в высокотехнологичных сегментах — особенно в решениях для AI-серверов и IC-подложек, где лидировали Япония, Южная Корея и Тайвань. Сейчас ситуация меняется. Китайские компании — такие как Shennan Circuits, Wus Printed Circuit, Shenghong Tech — активно сокращают технологическое отставание. Они инвестируют в сложные продукты: многослойные платы высокой плотности (HDI), решения для высокоскоростных вычислений и серверов ИИ. При этом сам рынок производства PCB остаётся фрагментированным: доля топ-10 игроков — менее 40%. Это создаёт окно возможностей для компаний, которые быстрее других осваивают передовые технологии и наращивают мощности. Сегмент PCB для AI и HPC-серверов растёт стремительными темпами: 2023: около $0,6–0,8 млрд 2024: $1,5–2 млрд прогноз на 2028: $3,17 млрд среднегодовой рост: 25–35% Главный драйвер — усложнение вычислительных систем. Чем мощнее ИИ, тем выше требования к плотности соединений, скорости передачи данных и тепловой устойчивости плат. Китайские производители PCB уже выработали разные модели развития: 1. Технологический прорыв (Shenghong Tech). Компания делает ставку на передовые разработки — например, HDI-платы с 10 уровнями и 30 слоями. Это решения для самых современных AI-ускорителей. Лидерство в технологиях позволяет зарабатывать на наиболее маржинальных сегментах. 2. Фокус на AI-сегменте (Wus Printed Circuit, Dongshan Precision). Wus активно инвестирует в расширение мощностей под AI-чипы и серверы, демонстрируя быстрый рост прибыли. Dongshan вошла в рынок через покупку Multek и делает ставку на интеграцию технологий и международной клиентской базы. 3. Платформенные игроки (Shennan Circuits, Pengding Holdings). Shennan развивает направления дата-центров и автомобильной электроники. Pengding делает ставку на масштаб и универсальность, осваивая широкий спектр высокоточных решений (включая ультратонкие линии и микроотверстия). Ключевое изменение — развитие всей экосистемы. Китайские компании продвигаются не только в производстве, но и в материалах: высокочастотные смолы (M8/M9) стеклоткани с низкой диэлектрической проницаемостью медная фольга нового поколения Если раньше эти сегменты контролировались японскими и западными компаниями, то теперь китайские поставщики начинают выходить на массовые поставки. С точки зрения инвестиций, ключевые факторы успеха в отрасли: Переход от тестирования к массовому производству(сможет ли продукция закрепиться в цепочках поставок) Освоение «технологических белых зон»(например, новые архитектуры и упаковка чипов) Запуск новых мощностей(особенно в Юго-Восточной Азии и Китае) Именно скорость выхода на рынок и масштабирование определят, кто станет лидером в ближайшие годы. PCB редко попадает в заголовки новостей, но именно здесь разворачивается одна из важнейших битв эпохи ИИ. Без прорывов в этой области невозможно реализовать потенциал ни чипов, ни алгоритмов. Китайская индустрия PCB уже прошла путь от «догоняющей» к «конкурирующей», а в отдельных сегментах — и к лидирующей. И главный приз в этой гонке — контроль над инфраструктурой, на которой будет строиться вся будущая цифровая экономика.

Когда массовый AI-продукт начинает брать деньги с пользователей, это почти всегда вызывает споры. Особенно если продукт уже успел стать привычным и «народным». Именно так выглядит ситуация с Doubao — одним из самых популярных AI-приложений в Китае, которое, по данным СМИ, готовится запустить платную подписку. На первый взгляд это выглядит странно: зачем сервису, который долго оставался бесплатным, вдруг вводить дорогие тарифы — от 68 до 500 юаней в месяц, а в годовом выражении почти до 5000 юаней? Но если посмотреть на экономику AI-индустрии, ответ становится гораздо понятнее. В классическом интернете все привыкли к логике: чем больше пользователей, тем лучше. Рост аудитории означал рост рекламы, продаж, партнерств и других способов заработка. Чем больше трафик, тем ценнее продукт. Но в мире AI эта формула работает уже не так. У обычного приложения рост аудитории почти не увеличивает издержки. А вот у AI-сервиса каждый новый запрос — это реальная нагрузка на вычислительные мощности. Ответ на вопрос, генерация текста, анализ документов, создание изображения или видео — все это требует дорогих серверов, чипов и постоянных затрат. Иными словами, чем популярнее AI-продукт, тем быстрее он сжигает деньги. Для Doubao это особенно важно. По масштабам пользователей сервис уже стал одним из лидеров рынка, а значит, ежедневно обрабатывает колоссальный объем запросов. За этим стоят огромные расходы на инфраструктуру, вычисления и поддержку модели. В обычной digital-экономике большие масштабы помогают экономить. В AI-экономике масштаб, наоборот, может стать источником убытков. Если миллионы людей каждый день задают вопросы, загружают документы, генерируют изображения и используют сложные сценарии, то затраты растут почти линейно. Поэтому бесплатная модель в долгосрочной перспективе становится все менее устойчивой. Для компании выбор здесь довольно простой: либо продолжать субсидировать пользователей за свой счет; либо начинать переводить часть аудитории на платные тарифы. И Doubao, судя по всему, выбирает второй путь. Тайминг запуска платной подписки тоже не случаен. Рынок AI уже вошел в стадию, когда просто быть популярным недостаточно. Теперь важно доказать, что продукт умеет не только собирать трафик, но и превращать его в выручку. Кроме того, сами модели стали заметно мощнее. Пользователи все чаще применяют AI не для простых ответов, а для: подготовки презентаций; анализа данных; работы с длинными текстами; создания видео; сложных творческих и рабочих задач. А это уже не развлечение, а полноценный инструмент производительности. И именно за такие сценарии люди готовы платить. Для компании это логично: бесплатный режим остается для повседневного использования, а платный — для более тяжелых и ресурсоемких задач. На рынке полно пользователей, которые с радостью пробуют AI, но гораздо меньше тех, кто реально готов платить за него большие деньги. Особенно в Китае, где аудитория привыкла к бесплатным цифровым сервисам. Проблема в том, что массовый пользователь не всегда воспринимает AI как обязательный рабочий инструмент. Для него это может быть: удобный помощник; сервис для поиска; генератор текстов; интересная игрушка. Но не то, за что хочется отдавать тысячи юаней в год. Наиболее очевидная аудитория для платных подписок — это люди, для которых AI реально заменяет часть работы: аналитики; разработчики; маркетологи; креаторы; менеджеры; специалисты по контенту. Но и здесь есть нюанс. Самые требовательные пользователи часто выбирают не локальные AI-продукты, а международные решения вроде ChatGPT, Claude или Gemini. Для них важнее качество и стабильность, чем локальное происхождение сервиса. Это значит, что Doubao нужно искать свою аудиторию не только среди профессионалов, но и среди обычных пользователей, которым нужна простая, понятная и полезная платная функция. Переход к монетизации всегда опасен для больших сервисов. Если начать слишком агрессивно выжимать деньги из платных пользователей, можно потерять массовую аудиторию. Если, наоборот, оставить бесплатную версию слишком щедрой, платная подписка просто не будет иметь смысла. У Doubao здесь возникает классическая дилемма. Тогда сервису придется выделять им больше ресурсов, чтобы оправдать стоимость подписки. Но это может ухудшить опыт бесплатных пользователей: ответы станут медленнее; лимиты будут жестче; качество бесплатного режима может упасть. Для массового продукта это очень рискованно. Если бесплатная версия начинает раздражать, пользователи уходят. Тогда люди просто не увидят причины платить. И в этом случае платный тариф не взлетит. Поэтому монетизация AI-продукта — это всегда баланс между: качеством; скоростью; доступностью; доходностью. Именно поэтому запуск подписки у Doubao выглядит не как жадность, а как попытка найти устойчивую бизнес-модель. Появление платных тарифов у такого крупного AI-сервиса — это важный сигнал для всей отрасли. Эпоха, когда AI-компании могли бесконечно расти на бесплатном трафике, подходит к концу. Теперь рынок входит в новую фазу: пользователи уже не просто пробуют AI; компании уже не просто соревнуются в «умности» моделей; главная тема — окупаемость. То есть AI перестает быть только технологической гонкой и становится еще и бизнесом, где нужно зарабатывать, а не просто наращивать аудиторию. Многие воспринимают платный AI как что-то негативное. Но у этого есть и другая сторона. Если продукт становится платным, это значит, что: он достаточно зрелый; компания верит в его ценность; появляется стимул улучшать качество; развиваются профессиональные сценарии использования. В долгосрочной перспективе это может даже пойти рынку на пользу. Бесплатные инструменты останутся для базовых задач, а платные — для сложной и серьезной работы. Doubao выбирает платную модель не потому, что вдруг захотел «заработать на пользователях», а потому что сама экономика AI подталкивает его к этому решению. Большой AI-сервис с миллионами пользователей не может вечно жить только на бесплатной модели. Чем мощнее продукт и чем сложнее задачи, тем выше расходы. А значит, рано или поздно приходится искать способ вернуть эти затраты. Проблема лишь в том, что сделать это нужно аккуратно: не отпугнуть массовую аудиторию; не испортить бесплатную версию; не переоценить готовность пользователей платить. Поэтому запуск подписки у Doubao — это не просто новая кнопка в приложении. Это проверка на зрелость всей модели AI-бизнеса.

С развитием генеративного ИИ появились новые платформы, где пользователи могут создавать игры, мемы и интерактивные приложения с помощью простых текстовых запросов. Такие продукты, как Loopit, Wabi или Aippy, уже привлекают инвестиции и внимание рынка. Кажется, что перед нами — зачатки новой формы контента и, возможно, следующего TikTok. Однако на практике всё выглядит иначе. Во-первых, сами продукты сильно похожи друг на друга: бесконечная лента, быстрый просмотр, лёгкий «ремикс» чужих работ. Пользователь может за пару минут создать простой интерактивный опыт — но и ценность таких продуктов часто остаётся поверхностной. Это больше напоминает эпоху браузерных мини-игр, чем полноценную новую медиа-среду. Во-вторых, возникает ключевой вопрос — кто контролирует распространение контента. Даже если AI упростил создание, это не означает появление новых платформ. Напротив, более вероятен сценарий, при котором весь этот контент будет распространяться через уже существующие экосистемы — TikTok, Instagram (запрещённая в России) , YouTube. У них есть главное преимущество — аудитория и алгоритмы дистрибуции. В-третьих, AI-интерактивный контент остаётся нишевым форматом. В отличие от видео, музыки или текста, он требует большего вовлечения от пользователя. А массовая аудитория, как показывает практика, чаще выбирает пассивное потребление, а не взаимодействие. В итоге AI действительно расширяет возможности творчества и снижает порог входа. Но это не гарантирует появления новых массовых сообществ. Скорее всего, мы увидим разделение: создание — на новых AI-платформах, а распространение и монетизация — на старых. Технология может изменить контент. Но изменить структуру интернет-экосистемы — гораздо сложнее.