Фундаментальные модели привлекают основное внимание, однако инфраструктура под ними всё сильнее определяет, кто выигрывает гонку за их создание и внедрение. Этот вопрос давно вышел за рамки чистой инженерии: теперь он пересекается с геополитикой, архитектурой чипов и выбором места, где фактически работает «интеллект» модели. В Carnegie Endowment для международного мира выпустили финансовый анализ, построенный на модели экономики дата-центров в десяти странах. Главный вывод переворачивает привычное восприятие гонки: решает не цена электричества и не налоговые льготы, а скорость выхода на мощность. Для типичного американского ЦОД на 100 МВт каждый дополнительный год задержки обходится примерно в $550 млн потерь за жизненный цикл — около 5,5% стоимости объекта. По оценкам авторов, год простоя обходится дороже, чем двукратный рост тарифов на электричество, потеря региональных налоговых льгот и тройное сочетание умеренных пошлин на серверы вместе взятых. Механика проста: каждый месяц простоя — это месяц не проданных GPU-часов, не заработавшего капитала и не использованного для обучения более сильной модели. Объект в Абилине, штат Техас, получил первые чипы Nvidia и за шесть месяцев запустил порядка 100 000 GB200; сопоставимая европейская инициатива спустя год после анонса всё ещё согласовывала формальную заявку. Сейчас США концентрируют около трёх четвертей мировых мощных ИИ-кластеров, но лидерство хрупкое: при ускорении типовых проектов на девять месяцев страна обходит ОАЭ, а при годовой задержке скатывается на пятое место, уступая ОАЭ, Финляндии, Канаде и Индии. В центре проблемы — задержки подключения к энергосети. В 2023 году новые источники питания в среднем подключались к сети США пять лет, тогда как в 2000–2007 годах — менее двух. Сроки ожидания трансформаторов в отдельных случаях превышают два года. Самым распространённым обходным решением стала генерация за периметром объекта: газовые турбины и солнечные микросети, которые срезают год и более до выхода на эксплуатацию, хотя и несут более высокие эксплуатационные расходы и экологические компромиссы.

Параллельно меняется внутренняя логика ЦОД. Культура «по умолчанию ставим GPU», разогнанная волной генеративного ИИ, не выдерживает проверки практикой: нагрузки различаются, и далеко не все из них требуют одинаковой вычислительной плотности. По данным исследования IDC, проведённого при поддержке Intel, более 40% организаций уже применяют гибридную схему, оставляя GPU под действительно ресурсоёмкие задачи вроде обучения крупных моделей и высокопараллельных приложений реального времени, а остальное отдавая ускоренным CPU. Такие процессоры справляются с обучением на небольших датасетах, пакетной инференцией и сервисами, где допустима задержка, опираются на знакомую x86-архитектуру и не требуют переделки систем охлаждения и питания, необходимой для плотных GPU-кластеров. Это особенно важно в условиях сохраняющегося дефицита ускорителей и высокой плотности мощности GPU-стоек.

Третий сдвиг — выход фундаментальных моделей за пределы облака. Квантизация, снижение точности весов модели, позволяет разворачивать полноценные модели на устройствах с нейропроцессорами и другими специализированными модулями. Для автономных автомобилей и промышленных роботов это убирает облачную задержку, опасную при работе с физическим миром; локальная обработка чувствительных данных сокращает поверхность атаки, что критично для здравоохранения и оборонного сектора; модели становятся доступны там, где облако изначально не вариант — в глубоководных аппаратах, удалённых рудниках, на объектах без надёжной связи.

Эти три уровня работают вместе. Скорость физического запуска определяет, сколько вычислительной мощности удастся ввести в строй для обучения следующего поколения моделей. Грамотное распределение нагрузки между GPU и ускоренными CPU позволяет растянуть дорогие часы ускорителей по растущему спектру корпоративных задач. Перенос моделей на edge делает обученный интеллект доступным в физическом мире — там, где задержка облака делает работу невозможной. Страны и компании, которые рассматривают все три направления как единую инфраструктурную стратегию, получают решающее преимущество: их сегодняшние инвестиции в compute конвертируются в завтрашний работающий ИИ.