Проблема повсеместности данных: почему “данные везде” становятся определяющей инфраструктурной задачей эры ИИ

Самый значимый вопрос в области ИИ сегодня не заключается в том, какая модель самая умная. Это вопрос о том, где живут данные и может ли интеллект до них добраться.

На протяжении почти десятилетия отрасль ИИ работала под успокаивающим предпосылкой: централизация данных, централизация вычислений, и гениальность последует. Модель гипермасштабирования — централизация огромных обучающих наборов данных в больших кластерах облачного вычисления и применение массивных вычислений GPU для сжатия их в параметры модели — дала необыкновенные результаты, но также архитектуру, которая сейчас страдает под весом своего успеха.

Назовем это “проблемой данных везде”. Когда ИИ распространяется из исследовательской лаборатории в операционную ткань больниц, фабрик, финансовых учреждений и суверенных государств, данные, которые должны информировать эти системы, внутренне распределены, ограничены юрисдикцией и оперативно неподвижны. Регуляторы в Европе настаивают на том, что финансовые записи ее граждан никогда не покидают континент. Клинические данные фармацевтической компании в Базеле не могут законно сосуществовать с геномными данными из Сеула в облачном бакете.

Какой бы ни была ситуация, интеллект должен идти к данным. Данные, категорически, не придут к интеллекту.

Экономика сдвига

Это структурное напряжение обостряется одновременной революцией в экономике ИИ. Отрасль проходит через тектоническое ребалансирование от обучения-центрированного к выводу-центрированному расходу, и последствия для архитектуры данных глубоки.

Deloitte оценила, что нагрузки вывода составили половину всех вычислений ИИ в 2025 году, цифра, которая увеличится до двух третей в 2026 году. Соотношение инвертируется с удивительной скоростью. Аналитики оценивают, что к 2026 году спрос на вывод превысит спрос на обучение в 118 раз. К 2030 году вывод может составить 75% всех вычислений ИИ, что приведет к инвестициям в инфраструктуру в размере 7 триллионов долларов.

Математика затрат равно впечатляет. За каждый миллиард долларов, потраченный на обучение модели ИИ, организации сталкиваются с затратами на вывод в размере 15-20 миллиардов долларов за время существования модели: соотношение, иллюстрируемое резко моделью GPT-4, чья стоимость обучения составила примерно 150 миллионов долларов, но кумулятивные затраты на вывод достигли 2,3 миллиарда долларов к концу 2024 года. Обучение, когда-то основная тема обсуждения инвесторов и специалистов по закупкам ИИ, теперь переформулируется как разовая плата за обучение. Вывод — это постоянная эксплуатационная стоимость интеллекта, и теперь это основная статья расходов.

Однако здесь лежит парадокс: затраты на вывод для системы уровня GPT-3.5 снизились более чем в 280 раз между ноябрем 2022 года и октябрем 2024 года, при этом затраты на оборудование снижаются примерно на 30% ежегодно, а энергоэффективность улучшается на 40% в год. Цены падают; потребление ускоряется быстрее. Затраты на вывод на единицу снизились в 100 раз, в то время как Microsoft и Google сообщили, что нагрузки ИИ увеличились в 31 раз за половину этого периода.

Парадокс Джевонса, где выигрыш в эффективности приводит к большему использованию ресурсов, нашел современное выражение в кластерах GPU.

Где живут данные, туда должен следовать интеллект

Экономика вывода фундаментально меняет требования к инфраструктуре, и нигде больше, чем вокруг гравитации данных. Вывод, в отличие от обучения, не является пакетной работой, выполняемой один раз в центре данных. Это непрерывная, чувствительная к задержке, географически распределенная служба, и она так хороша, как данные, которых она может достичь в момент запроса.

Это ядро проблемы “данных везде”.

Например, языковая модель, рассуждающая о живой телеметрии пациента в реанимации, не может позволить себе 200-миллисекундный круговой путь к кластеру гипермасштабирования на восточном побережье. Модель обнаружения мошенничества в финансовых услугах, выполняющая вывод в момент транзакции, не может эксфильтровать данные о счете в юрисдикцию, где это будет нарушать GDPR. Развертывание суверенного ИИ не может быть основано на инфраструктуре, принадлежащей и эксплуатируемой иностранным коммерческим субъектом.

Фронтовые лаборатории остро осознают это. Соглашение Anthropic с Google Cloud о до одного миллиона ТПУ, обеспечивающее более гигаватта вычислительной мощности ИИ к 2026 году, сигнализирует о том, как ведущие лаборатории инвестируют в беспрецедентном масштабе, чтобы сформировать глобальный след инфраструктуры вывода.

Таксономия интенсивности данных

Не все системы ИИ сталкиваются с этой задачей идентично, и полезно рассмотреть грубую таксономию, поскольку существует различные типы моделей ИИ и сложности. Давайте разберем это на трех основных примерах: LLM, изображения и физические модели.

Большие языковые модели — семейства Claude, GPT и Gemini — в основном занимаются языковыми токенами: относительно легкими, сжимаемыми и допускающими методы сохранения конфиденциальности, такие как дифференциальная конфиденциальность или федеративное обучение. Их проблема “данных везде” очень сложна.

Генеративные визуальные модели представляют еще более трудный случай. Системы, такие как Black Forest Labs’ FLUX.2, могут производить высококачественные, фотореалистичные изображения менее чем за секунду на мощном оборудовании, но генерация одного изображения требует намного больше данных и вычислений, чем генерация текста. Когда визуальный ИИ переходит из творческих инструментов в промышленный контроль, медицинскую визуализацию и анализ спутников, лежащие в основе данные часто большие, чувствительные и трудно перемещаемые, увеличивая потребность в выполнении ИИ там, где данные уже проживают.

Более сложная категория — физический ИИ. Дженсен Хуанг из NVIDIA заявил, что “физический ИИ прибыл, и каждая промышленная компания станет робототехнической”. Новые модели, такие как NVIDIA’s Cosmos 3, направлены на то, чтобы дать машинам обобщенное понимание физического мира, объединяя симуляцию, видение и рассуждение, в то время как компании, такие как Physical Intelligence, обучают роботов на реальных данных сенсоров — включая силу, движение и визуальные входы — чтобы ermögнить более адаптивное, автономное поведение.

Те же самые динамики масштабирования, которые улучшили большие модели рассуждения, теперь применяются к реальным данным, таким как вибрация, звук и входы сенсоров. Но эта информация внутренне локальна. Робот на заводском полу не может отправить реальные данные видео и осязания в удаленный облако для обработки без введения задержек, которые могли бы создать риски безопасности, что означает, что ИИ должен все чаще работать на краю, близко к тому, где генерируются данные.

Доверие, объяснимость и результаты

Это то место, где проблема “данных везде” переходит за пределы инфраструктуры и становится вопросом управления. Когда ИИ применяется к решениям высоких ставок — от медицинских диагнозов до финансовых моделей риска до физических систем управления — вопросы о том, где живут данные, все чаще связаны с вопросами о том, кто несет ответственность за результаты.

В сегодняшней регуляторной среде объяснимость не является опциональной. Закон ИИ ЕС, например, требует, чтобы системы высокого риска демонстрировали основу для своих выходов, что трудно, если данные, информирующие эти решения, распределены по нескольким системам, юрисдикциям и регуляторным рамкам.

Доверие, поэтому, становится предварительным условием для принятия в масштабе. Контроль над средой данных становится таким же важным, как контроль над самими моделями.

Следующее поколение инфраструктуры ИИ

Решение проблемы “данных везде” определит конкурентную карту ИИ на следующие decade. Федеративный вывод, безопасные среды обработки данных, модели, оптимизированные для края, и системы оркестровки, учитывающие, где разрешено проживать данным, не являются нишевыми техническими функциями, а предпосылками для расширения ИИ за пределы случаев, где данные могут быть свободно централизованы.

Компании и правительства, которые строят инфраструктуру, способную обеспечить доверенный, объяснимый, суверенный вывод — интеллект, который достигает данных, а не требует от данных путешествовать к нему, — будут командовать наиболее прочной защитой эры ИИ. Обучение более умной модели становится все чаще решенной и коммодитизированной проблемой. Развертывание его ответственно, на краю, через границы юрисдикций, против данных, которые не могут двигаться, является проблемой, которая остается.

Данные везде не являются слоганом. Это самая трудная нерешенная проблема в корпоративном ИИ. И она определит, переведет ли необыкновенная способность, открытая за последнее decade инвестиций в обучение, в результаты, которыми может доверять мир.