Андрей Карпаты: «Люди не понимают, что животный интеллект – это всего одна точка в пространстве интеллектов»
От Андрея Карпаты:
Люди плохо осознают, что пространство форм интеллекта огромно, а животный интеллект – лишь одна точка в нем, возникшая из очень специфического типа оптимизации. Интеллект LLM формируется принципиально иначе.
Животный интеллект оптимизирован под выживание: непрерывное «я», самосохранение, сильные инстинкты (страх, агрессия, воспроизводство), сложные социальные взаимодействия и способность к исследованию мира. Он формируется в многозадачной и враждебной среде, где любая ошибка может стоить жизни – отсюда его общность.
LLM, напротив, оптимизируются под статистическое моделирование текста, дообучаются на задачах с подкреплением и отбираются через метрики вовлечённости. Их базовое поведение – это имитация и угадывание шаблонов, а не выживание. Они стремятся понравиться пользователю, а не выжить в мире, поэтому их интеллект более неровный и зависит от данных и задач.
Различаются и субстрат (мозг vs трансформер), и обучение (эволюция vs SGD/RL), и режим существования (непрерывное живое существо vs модель, которая включается и выключается).
Главное отличие – оптимизационное давление: животные – продукт биологической эволюции, LLM – продукт коммерческой. Это не выживание в джунглях, а «реши задачу и получи апвоут».
LLM – наш первый неживотный интеллект. И те, кто продолжает мыслить по биологической аналогии, будут неверно понимать его природу и будущее.
пятница, 24 апреля 2026 г.
понедельник, 20 апреля 2026 г.
Необлачные вычисления
Появившись из-за дефицита графических процессоров, неооблачные решения теперь сталкиваются с более сложным испытанием: им необходимо развиваться за пределы физического оборудования или рисковать повторением истории облачных технологий 1.0. Связано это с появлением неооблачных решений — независимых сервисов на основе графических процессоров (GPU-as-a-service). Поставщики GPUaaS (GPUaaS) — это прямой ответ на две структурные силы: глобальный дефицит высокопроизводительных вычислительных ресурсов и стратегии диверсификации доходов крупнейших производителей передовых микросхем.
Неооблачные решения изначально возникли как временное решение проблемы нехватки графических процессоров, но их экономика, основанная на модели «без операционной системы как услуга» (BMaaS), довольно хрупка. Их долгосрочная жизнеспособность зависит от способности продвинуться вверх по технологической цепочке к сервисам, ориентированным на искусственный интеллект, что ставит их в прямую конкуренцию с крупными облачными компаниями. Однако их будущее, вероятно, заключается не в конкуренции с крупными облачными компаниями, а в закреплении позиций на устойчивых нишевых рынках, таких как собственные вычислительные ресурсы и специализированные рабочие нагрузки, а также в укреплении первоначальных связей со стартапами в области ИИ — отношений, которые могут сохраниться по мере того, как эти компании будут масштабироваться до многомиллиардных платформ.
Происхождение неооблаков
В последние годы спрос на передовые графические процессоры резко возрос в связи с расширением масштабов и сложности моделей генеративного искусственного интеллекта. Крупные облачные компании получили львиную долю выделенных ресурсов на передовые чипы для обработки постоянно растущих объемов задач. В результате многие стартапы в сфере ИИ, исследовательские лаборатории и предприятия не могли получить доступ к ресурсам с необходимой скоростью. В этой ситуации на помощь пришли неооблачные сервисы — новая волна облачных провайдеров, предоставляющих доступ к графическим процессорам. Неооблачные сервисы предлагают гибкие контракты, более быстрое выделение ресурсов и специализированные конфигурации инфраструктуры. Кроме того, они предлагают графические процессоры на 85% дешевле, чем крупные облачные компании, что делает их привлекательными для небольших стартапов в области ИИ.
Неооблачные решения имеют более низкие барьеры для входа, чем традиционные облачные провайдеры — развертывание вычислительного кластера не требует создания полного технологического стека, как это необходимо для гипермасштабируемых платформ, — поэтому новые участники рынка могут быстро занять нишу, удовлетворяющую неудовлетворенный спрос. Сегодня в мире существует более 100 неооблачных провайдеров: от 10 до 15 работают в значительных масштабах в Соединенных Штатах, и их присутствие расширяется в Европе, на Ближнем Востоке и в Азии. Зачастую их поддерживают венчурный капитал, частные инвестиционные фонды или суверенные фонды. Производители чипов для ИИ, благодаря целенаправленной стратегии диверсификации, также способствовали развитию этой экосистемы. Чтобы расширить внедрение, диверсифицировать доходы и создать конкурентное давление среди покупателей, они заложили основы этих новых каналов, иногда даже выступая в качестве заказчиков для неооблачных платформ.
Современное состояние неооблачных решений не лишено прецедентов. Например, в эпоху Cloud 1.0 (начавшуюся в начале 2000-х годов) стартапы быстро развивались, заполняя пробелы в вычислительных мощностях, но по мере расширения мощностей и спектра услуг крупными компаниями почти все эти стартапы были поглощены, оттеснены на второй план или вынуждены занять нишевые позиции.
Учитывая рыночную ситуацию, смогут ли неооблачные решения превратиться в устойчивую категорию, или история повторится? Перспективы неооблачных решений - четыре ключевых убеждения подпитывают инвестиции в неооблачные решения.
Модель BMaaS — это лишь ступенька. Модель BMaaS, которую приняли многие неооблачные компании, по своей сути является товаром массового потребления: она характеризуется ограниченной дифференциацией, высокой интенсивностью затрат и ценовой конкуренцией. Но инвесторы не делают ставку на BMaaS как на конечный результат. Вместо этого инвестиционная стратегия неооблачных компаний заключается в том, что они смогут перейти к программным стекам, ориентированным на ИИ, которые включают в себя оркестрацию обучения, распределенные платформы для вывода результатов, специализированные стеки (например, для медико-биологических наук или финансовых услуг), инструменты для разработчиков и управляемые сервисы машинного обучения. Эти уровни обеспечат лояльность, улучшат удержание клиентов и приведут к экономике, аналогичной экономике компаний-разработчиков программного обеспечения, обеспечивая неооблачным компаниям мультипликаторы, сопоставимые с моделью «программное обеспечение как услуга».
Спрос на вычислительные ресурсы слишком велик, чтобы его игнорировать. Даже если неооблачные решения будут придерживаться модели BMaaS (бизнес как услуга), кривая спроса на вычислительные ресурсы для ИИ крутая и ускоряется. Спрос на рабочие нагрузки для обучения и вывода будет продолжать быстро расти (ожидается, что к 2030 году он достигнет примерно 200 гигаватт), при этом основным узким местом станет предложение инфраструктуры. В таких условиях любой заслуживающий доверия поставщик, имеющий стеллаж в интернете, может с достаточной долей вероятности рассчитывать на то, что найдет покупателей.
Амортизированные вычислительные ресурсы обладают устойчивой долгосрочной ценностью. Даже после истечения срока действия основных контрактов с крупными облачными провайдерами, парки графических процессоров могут сохранять значительную остаточную стоимость, если их перепрофилировать для корпоративных и средних клиентов. Неооблачные компании могут использовать крупные низкорентабельные соглашения с крупными облачными провайдерами для финансирования приобретения парков ресурсов и наращивания масштабов, а затем продлевать экономический срок службы активов, сдавая их в аренду по более низким ставкам предприятиям, которым не требуется новейшее поколение чипов. Теоретически это может создать устойчивую бизнес-модель, хотя остается неясным, будут ли предприятия внедрять рабочие нагрузки ИИ в масштабах, достаточных для поглощения таких мощностей второго цикла.
Производители микросхем могут оказывать реальное сдерживающее воздействие. Хотя поддержка со стороны производителей микросхем не гарантирует долговечность неооблачных решений, она создает неявный механизм защиты. Производители микросхем часто предоставляют неооблачным компаниям льготные условия распределения ресурсов, структуры финансирования и даже обязательства по закупкам, тем самым повышая шансы на выживание неооблачных компаний.
Неустойчивая экономика модели BMaaS
Хотя у неооблачных решений есть потенциал для устойчивого развития в будущем, экономическая целесообразность модели BMaaS, которая сегодня является наиболее доминирующей, невелика по трем причинам.
При использовании модели BMaaS валовая прибыль обычно составляет от 55% до 65% до вычета амортизации, в зависимости от использования и ценообразования.
При таких валовых прибылях и капиталоемкости, связанной с приобретением графических и центральных процессоров и развертыванием серверов, модель BMaaS практически не имеет запаса прочности и зависит от колебаний цен и загрузки. Небольшое снижение цен на аренду графических процессоров или падение загрузки ниже 80% приведет к стагнации прибыли. Экономическая ситуация становится еще более нестабильной при учете заемного финансирования, поскольку процентные расходы быстро нивелируют любой остаточный резерв.
Снижение цен и капиталоемкость оказывают давление на инвестиции. Цикл выпуска новых чипов оказывает дополнительное давление на ценообразование. С каждым новым поколением чипов цена старых графических процессоров снижается. За типичный пятилетний период амортизации цена часа работы графического процессора может снизиться вдвое или более. Эта динамика требует от поставщиков услуг не только возврата капитала в течение первых четырех-пяти лет после начала эксплуатации графического процессора в центре обработки данных, чтобы избежать невостребованных активов, но и постоянного реинвестирования в новые поколения графических процессоров для сохранения конкурентоспособности по мере того, как старые модели теряют свою актуальность.
Неооблачные решения изначально возникли как временное решение проблемы нехватки графических процессоров, но их экономика, основанная на модели «без операционной системы как услуга» (BMaaS), довольно хрупка. Их долгосрочная жизнеспособность зависит от способности продвинуться вверх по технологической цепочке к сервисам, ориентированным на искусственный интеллект, что ставит их в прямую конкуренцию с крупными облачными компаниями. Однако их будущее, вероятно, заключается не в конкуренции с крупными облачными компаниями, а в закреплении позиций на устойчивых нишевых рынках, таких как собственные вычислительные ресурсы и специализированные рабочие нагрузки, а также в укреплении первоначальных связей со стартапами в области ИИ — отношений, которые могут сохраниться по мере того, как эти компании будут масштабироваться до многомиллиардных платформ.
Происхождение неооблаков
В последние годы спрос на передовые графические процессоры резко возрос в связи с расширением масштабов и сложности моделей генеративного искусственного интеллекта. Крупные облачные компании получили львиную долю выделенных ресурсов на передовые чипы для обработки постоянно растущих объемов задач. В результате многие стартапы в сфере ИИ, исследовательские лаборатории и предприятия не могли получить доступ к ресурсам с необходимой скоростью. В этой ситуации на помощь пришли неооблачные сервисы — новая волна облачных провайдеров, предоставляющих доступ к графическим процессорам. Неооблачные сервисы предлагают гибкие контракты, более быстрое выделение ресурсов и специализированные конфигурации инфраструктуры. Кроме того, они предлагают графические процессоры на 85% дешевле, чем крупные облачные компании, что делает их привлекательными для небольших стартапов в области ИИ.
Неооблачные решения имеют более низкие барьеры для входа, чем традиционные облачные провайдеры — развертывание вычислительного кластера не требует создания полного технологического стека, как это необходимо для гипермасштабируемых платформ, — поэтому новые участники рынка могут быстро занять нишу, удовлетворяющую неудовлетворенный спрос. Сегодня в мире существует более 100 неооблачных провайдеров: от 10 до 15 работают в значительных масштабах в Соединенных Штатах, и их присутствие расширяется в Европе, на Ближнем Востоке и в Азии. Зачастую их поддерживают венчурный капитал, частные инвестиционные фонды или суверенные фонды. Производители чипов для ИИ, благодаря целенаправленной стратегии диверсификации, также способствовали развитию этой экосистемы. Чтобы расширить внедрение, диверсифицировать доходы и создать конкурентное давление среди покупателей, они заложили основы этих новых каналов, иногда даже выступая в качестве заказчиков для неооблачных платформ.
Современное состояние неооблачных решений не лишено прецедентов. Например, в эпоху Cloud 1.0 (начавшуюся в начале 2000-х годов) стартапы быстро развивались, заполняя пробелы в вычислительных мощностях, но по мере расширения мощностей и спектра услуг крупными компаниями почти все эти стартапы были поглощены, оттеснены на второй план или вынуждены занять нишевые позиции.
Учитывая рыночную ситуацию, смогут ли неооблачные решения превратиться в устойчивую категорию, или история повторится? Перспективы неооблачных решений - четыре ключевых убеждения подпитывают инвестиции в неооблачные решения.
Модель BMaaS — это лишь ступенька. Модель BMaaS, которую приняли многие неооблачные компании, по своей сути является товаром массового потребления: она характеризуется ограниченной дифференциацией, высокой интенсивностью затрат и ценовой конкуренцией. Но инвесторы не делают ставку на BMaaS как на конечный результат. Вместо этого инвестиционная стратегия неооблачных компаний заключается в том, что они смогут перейти к программным стекам, ориентированным на ИИ, которые включают в себя оркестрацию обучения, распределенные платформы для вывода результатов, специализированные стеки (например, для медико-биологических наук или финансовых услуг), инструменты для разработчиков и управляемые сервисы машинного обучения. Эти уровни обеспечат лояльность, улучшат удержание клиентов и приведут к экономике, аналогичной экономике компаний-разработчиков программного обеспечения, обеспечивая неооблачным компаниям мультипликаторы, сопоставимые с моделью «программное обеспечение как услуга».
Спрос на вычислительные ресурсы слишком велик, чтобы его игнорировать. Даже если неооблачные решения будут придерживаться модели BMaaS (бизнес как услуга), кривая спроса на вычислительные ресурсы для ИИ крутая и ускоряется. Спрос на рабочие нагрузки для обучения и вывода будет продолжать быстро расти (ожидается, что к 2030 году он достигнет примерно 200 гигаватт), при этом основным узким местом станет предложение инфраструктуры. В таких условиях любой заслуживающий доверия поставщик, имеющий стеллаж в интернете, может с достаточной долей вероятности рассчитывать на то, что найдет покупателей.
Амортизированные вычислительные ресурсы обладают устойчивой долгосрочной ценностью. Даже после истечения срока действия основных контрактов с крупными облачными провайдерами, парки графических процессоров могут сохранять значительную остаточную стоимость, если их перепрофилировать для корпоративных и средних клиентов. Неооблачные компании могут использовать крупные низкорентабельные соглашения с крупными облачными провайдерами для финансирования приобретения парков ресурсов и наращивания масштабов, а затем продлевать экономический срок службы активов, сдавая их в аренду по более низким ставкам предприятиям, которым не требуется новейшее поколение чипов. Теоретически это может создать устойчивую бизнес-модель, хотя остается неясным, будут ли предприятия внедрять рабочие нагрузки ИИ в масштабах, достаточных для поглощения таких мощностей второго цикла.
Производители микросхем могут оказывать реальное сдерживающее воздействие. Хотя поддержка со стороны производителей микросхем не гарантирует долговечность неооблачных решений, она создает неявный механизм защиты. Производители микросхем часто предоставляют неооблачным компаниям льготные условия распределения ресурсов, структуры финансирования и даже обязательства по закупкам, тем самым повышая шансы на выживание неооблачных компаний.
Неустойчивая экономика модели BMaaS
Хотя у неооблачных решений есть потенциал для устойчивого развития в будущем, экономическая целесообразность модели BMaaS, которая сегодня является наиболее доминирующей, невелика по трем причинам.
При использовании модели BMaaS валовая прибыль обычно составляет от 55% до 65% до вычета амортизации, в зависимости от использования и ценообразования.
При таких валовых прибылях и капиталоемкости, связанной с приобретением графических и центральных процессоров и развертыванием серверов, модель BMaaS практически не имеет запаса прочности и зависит от колебаний цен и загрузки. Небольшое снижение цен на аренду графических процессоров или падение загрузки ниже 80% приведет к стагнации прибыли. Экономическая ситуация становится еще более нестабильной при учете заемного финансирования, поскольку процентные расходы быстро нивелируют любой остаточный резерв.
Снижение цен и капиталоемкость оказывают давление на инвестиции. Цикл выпуска новых чипов оказывает дополнительное давление на ценообразование. С каждым новым поколением чипов цена старых графических процессоров снижается. За типичный пятилетний период амортизации цена часа работы графического процессора может снизиться вдвое или более. Эта динамика требует от поставщиков услуг не только возврата капитала в течение первых четырех-пяти лет после начала эксплуатации графического процессора в центре обработки данных, чтобы избежать невостребованных активов, но и постоянного реинвестирования в новые поколения графических процессоров для сохранения конкурентоспособности по мере того, как старые модели теряют свою актуальность.
Крупные сделки приносят меньше прибыли, чем кажется. Согласно некоторым отчетам, валовая прибыль предприятий по аренде видеокарт составляет от 14% до 16% после вычета затрат на оплату труда, электроэнергию и амортизацию, что делает прибыль от бизнеса по аренде видеокарт ниже, чем у многих нетехнологических розничных предприятий.
Для неооблачных компаний эти контракты привлекательны не столько своей самостоятельной экономической целесообразностью, сколько тем, что они могут предложить, включая практически гарантированный базовый уровень загрузки и знак доверия, который делает неооблачную компанию более привлекательной для инвесторов, что, в свою очередь, способствует привлечению средств в будущем. С другой стороны, крупные облачные компании готовы платить надбавку за готовые к использованию мощности и возможность использовать балансы неооблачных компаний для продажи активов, находящихся в их распоряжении.
Эти крупные сделки привели к высокой концентрации доходов у игроков на рынке неооблачных решений. Публичная информация показывает, что для некоторых игроков более половины выручки поступает всего от одного или двух клиентов.
Перспективы развития неооблачных решений
Модель неооблачных решений несёт в себе структурный парадокс. Инвесторы часто ожидают от неооблачных компаний перехода на более высокий уровень технологического стека, в частности, к программному обеспечению, ориентированному на ИИ, и управляемым сервисам, что неизбежно ставит неооблачные компании в конкуренцию с гипермасштабируемыми компаниями, которые сегодня являются их основными клиентами. Создание уровней оркестрации, платформ для вывода результатов и специализированных решений повышает потенциал удержания клиентов и рентабельности, но при этом напрямую пересекается с предложениями гипермасштабируемых компаний. Кроме того, создание достаточно мощного технологического стека для конкуренции и стратегии выхода на рынок, способной проникнуть на корпоративный рынок, требует огромных капиталовложений, времени и ресурсов.
Что же ждет неооблачные решения в будущем? Чтобы избежать товарной экономики, неооблачные решения должны стремиться к дифференциации, не отталкивая при этом тех же самых гипермасштабируемых провайдеров, которые обеспечивают их базовую загрузку. Судя по тому, как сложилась эра Cloud 1.0, лишь немногие игроки смогут разрешить это противоречие в масштабах всей системы.
Мы видим три потенциальных среднесрочных и долгосрочных пути развития неооблачных решений:
Занять прочные позиции на нишевых рынках. Наиболее вероятно, что выживут те неооблачные компании, которые смогут занять прочные позиции на рынках, где гипермасштабные компании менее эффективны или менее востребованы. Например, суверенные поставщики вычислительных ресурсов, поддерживаемые правительствами или региональными лидерами, ценят независимость от гипермасштабных компаний из-за своей локальной направленности и доступа к конфиденциальным массивам данных. Специализированные поставщики услуг также могут предложить перспективные партнерства и оптимизированы для таких сценариев использования, как вывод данных со сверхнизкой задержкой или регулируемые отрасли.
Сосредоточится на стартапах и развивайться дальше. Еще один перспективный путь для неооблачных компаний — сосредоточиться на стартапах в сфере ИИ как на своей основной целевой аудитории, а не гнаться за крупными предприятиями. Предоставляя вычислительные услуги с самого начала, неооблачные компании могут закрепиться на рынке и установить доверительные отношения со стартапами, которые сохранятся по мере того, как эти стартапы превратятся в многомиллиардные компании, обрабатывающие огромные объемы данных. Такой уровень лояльности часто трудно воспроизвести крупным облачным компаниям, и эта стартовая площадка может позволить неооблачным компаниям расширить свою деятельность на предприятия, ориентированные на ИИ.
Консолидация. Консолидация — ещё один потенциальный путь развития современных неооблачных платформ. Как и многие стартапы эпохи Cloud 1.0, некоторые компании будут поглощены крупными облачными провайдерами, телекоммуникационными компаниями или государственными покупателями. В то же время другие компании, вероятно, исчезнут, как только предложение сравняется с существующим.
Станут ли неооблачные решения устойчивыми игроками на рынке или исчезнут в истории, будет зависеть от их способности развиваться быстрее, чем окружающий их рынок. Те, кто сможет превратить первоначальный дефицит в долгосрочную дифференциацию, могут помочь определить новый, устойчивый уровень в инфраструктуре искусственного интеллекта.
Источник
Для неооблачных компаний эти контракты привлекательны не столько своей самостоятельной экономической целесообразностью, сколько тем, что они могут предложить, включая практически гарантированный базовый уровень загрузки и знак доверия, который делает неооблачную компанию более привлекательной для инвесторов, что, в свою очередь, способствует привлечению средств в будущем. С другой стороны, крупные облачные компании готовы платить надбавку за готовые к использованию мощности и возможность использовать балансы неооблачных компаний для продажи активов, находящихся в их распоряжении.
Эти крупные сделки привели к высокой концентрации доходов у игроков на рынке неооблачных решений. Публичная информация показывает, что для некоторых игроков более половины выручки поступает всего от одного или двух клиентов.
Перспективы развития неооблачных решений
Модель неооблачных решений несёт в себе структурный парадокс. Инвесторы часто ожидают от неооблачных компаний перехода на более высокий уровень технологического стека, в частности, к программному обеспечению, ориентированному на ИИ, и управляемым сервисам, что неизбежно ставит неооблачные компании в конкуренцию с гипермасштабируемыми компаниями, которые сегодня являются их основными клиентами. Создание уровней оркестрации, платформ для вывода результатов и специализированных решений повышает потенциал удержания клиентов и рентабельности, но при этом напрямую пересекается с предложениями гипермасштабируемых компаний. Кроме того, создание достаточно мощного технологического стека для конкуренции и стратегии выхода на рынок, способной проникнуть на корпоративный рынок, требует огромных капиталовложений, времени и ресурсов.
Что же ждет неооблачные решения в будущем? Чтобы избежать товарной экономики, неооблачные решения должны стремиться к дифференциации, не отталкивая при этом тех же самых гипермасштабируемых провайдеров, которые обеспечивают их базовую загрузку. Судя по тому, как сложилась эра Cloud 1.0, лишь немногие игроки смогут разрешить это противоречие в масштабах всей системы.
Мы видим три потенциальных среднесрочных и долгосрочных пути развития неооблачных решений:
Занять прочные позиции на нишевых рынках. Наиболее вероятно, что выживут те неооблачные компании, которые смогут занять прочные позиции на рынках, где гипермасштабные компании менее эффективны или менее востребованы. Например, суверенные поставщики вычислительных ресурсов, поддерживаемые правительствами или региональными лидерами, ценят независимость от гипермасштабных компаний из-за своей локальной направленности и доступа к конфиденциальным массивам данных. Специализированные поставщики услуг также могут предложить перспективные партнерства и оптимизированы для таких сценариев использования, как вывод данных со сверхнизкой задержкой или регулируемые отрасли.
Сосредоточится на стартапах и развивайться дальше. Еще один перспективный путь для неооблачных компаний — сосредоточиться на стартапах в сфере ИИ как на своей основной целевой аудитории, а не гнаться за крупными предприятиями. Предоставляя вычислительные услуги с самого начала, неооблачные компании могут закрепиться на рынке и установить доверительные отношения со стартапами, которые сохранятся по мере того, как эти стартапы превратятся в многомиллиардные компании, обрабатывающие огромные объемы данных. Такой уровень лояльности часто трудно воспроизвести крупным облачным компаниям, и эта стартовая площадка может позволить неооблачным компаниям расширить свою деятельность на предприятия, ориентированные на ИИ.
Консолидация. Консолидация — ещё один потенциальный путь развития современных неооблачных платформ. Как и многие стартапы эпохи Cloud 1.0, некоторые компании будут поглощены крупными облачными провайдерами, телекоммуникационными компаниями или государственными покупателями. В то же время другие компании, вероятно, исчезнут, как только предложение сравняется с существующим.
Станут ли неооблачные решения устойчивыми игроками на рынке или исчезнут в истории, будет зависеть от их способности развиваться быстрее, чем окружающий их рынок. Те, кто сможет превратить первоначальный дефицит в долгосрочную дифференциацию, могут помочь определить новый, устойчивый уровень в инфраструктуре искусственного интеллекта.
Источник
Эволюция неооблачных сред и их дальнейшие шаги. 19 ноября 2025 г. Статья. Массимо Мацца, Панкадж Сачдева, Сурен Арутюнян, Тарик Алатович.
https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-evolution-of-neoclouds-and-their-next-moves
четверг, 16 апреля 2026 г.
ИИ в решении проблемы вагонетки
Источник - телеграмм-канал Data Secrets.
Стартап White Circle выпустил самый дистопический бенчмарк за последнее время – тест с говорящим названием KillBench. Он проверяет, насколько модели предвзяты к людям по разным признакам в сценариях, где нужно решить, кому жить, а кому умереть.
Модели дают сценарий с четырьмя одинаковыми людьми, которые отличаются только одним признаком – национальностью, религией или даже наличием телефона. Модель должна выбрать одного: скажем, кого спасти из горящего здания, кого выгнать из бункера или, классическое, на кого направить смертоносную вагонетку.
Если все "честно", каждый должен выбираться примерно в 25% случаев. Но на практике на тысячах прогонов распределение системно уезжает. Например, внезапно:
- Если у вас нет телефона, ИИ убивает вас с вероятностью в 2.7 раз выше. Для сравнения: если вы сатанист, вероятность умереть в 2.5 раза выше. Отсутствие телефона для LLM-ки хуже сатанизма
- Если вы русский, то это +32% к вероятности умереть (хотя Grok, например, больше не любит китайцев, и убивает их на 44% чаще)
- Если вы белый, то вас убивают на четверть чаще среднего, а если темнокожий – чаще оставляют в живых (на 17%)
Интересно, что в режиме Structured Output эти байесы только усиливаются, а отказы отвечать падают. Ну и, конечно же, сами модели свою предвзятость отрицают, в основном описывая свой выбор как "случайный" или "нейтральный", на практике показывая явный и воспроизводимый дисбаланс.
воскресенье, 12 апреля 2026 г.
Тезис Чёрча-Тьюринга
В этой заметке существенно используются идеи и фразы (местами) следующей статьи
Сверхтьюринговые вычисления и гиперкомпьютеры. Тезис Чёрча-Тьюринга как универсальный предел познания. https://habr.com/ru/articles/961020/
"В 1936 г. Алонзо Чёрч и Алан Тьюринг сформулировали классический тезис Чёрча-Тьюринга, согласно которому любая функция, которую мы интуитивно считаем вычислимой, может быть вычислена машиной Тьюринга. Под «интуитивно вычислимой» они подразумевали функцию, которую математик может вычислить с помощью ручки и бумаги, используя конечный набор простых алгоритмов. И наоборот, функция над натуральными числами может быть вычислена человеком, следующим алгоритму, тогда и только тогда, когда она вычислима машиной Тьюринга".
Тезис Чёрча (часто называемый тезисом Чёрча — Тьюринга) — это фундаментальный принцип в теории вычислимости, который утверждает следующее:
Класс функций, вычислимых с помощью алгоритмов в интуитивном смысле, совпадает с классом частично рекурсивных функций (или, что эквивалентно, с классом функций, вычислимых на машине Тьюринга).
Основные положения тезиса Чёрча
Значение тезиса для математики
Если вы можете придумать пошаговую инструкцию для решения задачи (например, сложение чисел, поиск кратчайшего пути и т. д.), то эта задача вычислима и может быть выполнена на любом универсальном компьютере.
Тезис Чёрча — фундаментальная основа понимания того, что такое вычисление и каковы пределы возможностей алгоритмов и компьютеров.
"Первым, кто увидел в тезисе Чёрча-Тьюринга физический смысл, был биолог-теоретик Роберт Розен. Он переформулировал тезис как утверждение о невозможности определённого класса физических процессов и предположил, что ограничения в вычислениях объясняют факты о природе, однако на его работу никто не обратил внимания. В 1985 г. Дэвид Дойч в статье «Квантовая теория, принцип Чёрча-Тьюринга и универсальный квантовый компьютер» предложил считать тезис Чёрча-Тьюринга физическим принципом":
Сверхтьюринговые вычисления и гиперкомпьютеры. Тезис Чёрча-Тьюринга как универсальный предел познания. https://habr.com/ru/articles/961020/
"В 1936 г. Алонзо Чёрч и Алан Тьюринг сформулировали классический тезис Чёрча-Тьюринга, согласно которому любая функция, которую мы интуитивно считаем вычислимой, может быть вычислена машиной Тьюринга. Под «интуитивно вычислимой» они подразумевали функцию, которую математик может вычислить с помощью ручки и бумаги, используя конечный набор простых алгоритмов. И наоборот, функция над натуральными числами может быть вычислена человеком, следующим алгоритму, тогда и только тогда, когда она вычислима машиной Тьюринга".
Тезис Чёрча (часто называемый тезисом Чёрча — Тьюринга) — это фундаментальный принцип в теории вычислимости, который утверждает следующее:
Класс функций, вычислимых с помощью алгоритмов в интуитивном смысле, совпадает с классом частично рекурсивных функций (или, что эквивалентно, с классом функций, вычислимых на машине Тьюринга).
Основные положения тезиса Чёрча
- Интуитивная вычислимость: это те функции, которые человек мог бы вычислить с помощью ручки и бумаги, следуя чёткому алгоритму.
- Формальная вычислимость: функции, которые можно вычислить с помощью строго определённых математических моделей — частично рекурсивных функций или машины Тьюринга.
- Эквивалентность: все известные формальные модели вычислений (λ-исчисление Чёрча, машина Тьюринга, рекурсивные функции) имеют одинаковую вычислительную мощность.
Значение тезиса для математики
Если вы можете придумать пошаговую инструкцию для решения задачи (например, сложение чисел, поиск кратчайшего пути и т. д.), то эта задача вычислима и может быть выполнена на любом универсальном компьютере.
Тезис Чёрча — фундаментальная основа понимания того, что такое вычисление и каковы пределы возможностей алгоритмов и компьютеров.
Тезис Чёрча — Тьюринга лежит в основе всей современной информатики и теории алгоритмов.
Он утверждает, что если задача может быть решена каким-либо алгоритмом, то её можно решить и на машине Тьюринга (или эквивалентной системе). Тезис Чёрча-Тьюринга установил эквивалентность математики и компьютера, а также других вычислительных машин. А также, всё, что в принципе вычислимо, может быть смоделировано машиной Тьюринга.
Этот тезис не доказывается формально, а принимается как естественнонаучный факт, подтверждаемый всей историей математики и компьютерных наук.
Он утверждает, что если задача может быть решена каким-либо алгоритмом, то её можно решить и на машине Тьюринга (или эквивалентной системе). Тезис Чёрча-Тьюринга установил эквивалентность математики и компьютера, а также других вычислительных машин. А также, всё, что в принципе вычислимо, может быть смоделировано машиной Тьюринга.
Этот тезис не доказывается формально, а принимается как естественнонаучный факт, подтверждаемый всей историей математики и компьютерных наук.
Из книги Манин Ю.И. Математика как метафора.
"Такая «открытость» категории, рассматриваемой с точностью до эквивалентности, является существенной, например, для абстрактной теории вычислимости. Тезис Чёрча лучше всего понимать как постулат, согласно которому существует открытая категория «конструктивных миров» – конечных или счетных множеств со структурой и вычислимых морфизмов между ними, – в которой всякий бесконечный объект изоморфен миру натуральных чисел, а морфизмы соответствуют рекурсивным функциям. Существует очень много других интересных бесконечных конструктивных миров, задаваемых с помощью самых разнообразных внутренних структур: слова над данным алфавитом, конечные графы, машины Тьюринга и т. д. Все они, однако, изоморфны ввиду существования вычислимых нумераций".
Значение тезиса Чёрча-Тюринга "за пределами" математики.
В качестве контекста можно рассмотреть такой набор "метафизических" вопросов (вопросы взятяы из статьи):
Значение тезиса Чёрча-Тюринга "за пределами" математики.
В качестве контекста можно рассмотреть такой набор "метафизических" вопросов (вопросы взятяы из статьи):
- Что делает Вселенную познаваемой?
- Почему работает научный метод?
- Всё, с чем мы имеем дело в ощущениях, является симуляцией, сгенерированной мозгом. Всё, что нам известно о мире – продукты нашего разума. Не означает ли это, что мы никогда не сможем узнать, какова реальность на самом деле?
- Откуда мы знаем, что законы физики универсальны и постижимы человеческим разумом?
- Где гарантия, что законы физики изотропны в пространстве и однородны во времени? Может, они варьируются от места к месту, изменялись в прошлом или изменятся в будущем?
- Существует ли вычислительно более мощный компьютер, чем машина Тьюринга?
- Вычислима ли каждая физическая система?
- Является ли сама Вселенная вычислительной машиной?
- Каковы фундаментальные физические и логические ограничения на то, что может быть вычислено и постигнуто?
- Есть ли вычислительный барьер, который невозможно преодолеть, независимо от того, насколько далеко и какими способами развиваются компьютеры?
- Или новые типы оборудования, основанные на квантовых, релятивистских или квантово-гравитационных явлениях, могут привести к принципиально новым вычислительным парадигмам и сделать невычислимое вычислимым?
"Первым, кто увидел в тезисе Чёрча-Тьюринга физический смысл, был биолог-теоретик Роберт Розен. Он переформулировал тезис как утверждение о невозможности определённого класса физических процессов и предположил, что ограничения в вычислениях объясняют факты о природе, однако на его работу никто не обратил внимания. В 1985 г. Дэвид Дойч в статье «Квантовая теория, принцип Чёрча-Тьюринга и универсальный квантовый компьютер» предложил считать тезис Чёрча-Тьюринга физическим принципом":
«Я предлагаю переосмыслить «функции Тьюринга, которые естественным образом считались бы вычислимыми» как функции, которые в принципе могут быть вычислены реальной физической системой. Ибо, конечно, было бы трудно считать функцию «естественно» вычислимой, если бы её нельзя было вычислить в Природе, и наоборот».
В той же статье был сформулирован тезис Чёрча-Тьюринга-Дойча:
«Каждая конечно реализуемая физическая система может быть идеально смоделирована универсальной модельной вычислительной машиной, действующей конечными средствами».
Дэвид Дойч показал, что универсальный (квантовый) компьютер способен смоделировать любой конечный физический процесс, и наоборот, любая функция, которую может вычислить физическое устройство, вычислима машиной Тьюринга. Это значит, что физическая реальность не выходит за пределы вычислимого.
* * *
Казалось бы, вывод Дойча ограничивает как реальность, так и познаваемость. Но имеются контаргументы. Определение физической реальности неявно определена как вычислимость и получаем логический (порочный) круг. Если расширить физическую реальность запредельным по отношению вычислимости, то встает вопрос о познаваемости такой запредельности. Человек - как физическое существо оперирует невычислительными объектами. Например, натуральный ряд, или более обще, бесконечное счетное множество не вычислимо. Невычислимо и иррациональное действительное число. Но человек оперирует этими объектами. Сам человек без сомнения объект физической реальности. И тут встает вопрос о идеальном (мысли) отношении идеального к физической реальности. И расширении физической реальности.
Такой ход, - расширение, - проделан в математике по отношению к теоремам Гёделя касательно аксиоматической теории арифметики. А именно как расширение стандартной модели арифметики.
Иная точка зрения изложена в книге "Большое, малое и человеческий разум" Роджером Пенроузом. В ней представлена "устройство" совершенно новой физики, основанной на идее невычислимости некоторых операций и объективного восстановления волновых функций. Возможно, эта идея позволит созадать физическую теорию нового типа для которой тезис Дейча будет лишь частным случаем.
* * *
Примечание. О определенных видах машин Тьюринга.
Недетерминированная машина Тьюринга (NTM) – это машина Тьюринга, в которой функция перехода приводит к более чем одному выбору, а выбор осуществляется вероятностным образом (подбрасыванием монетки). В отличие от детерминированной машины Тьюринга, которая имеет единственный «путь вычислений», недетерминированная машина имеет «дерево вычислений» (в общем случае — экспоненциальное число путей). Строка принимается, если она принимается хотя бы в одной из ветвей, и отвергается, только если ни одна из ветвей её не принимает. Можно считать, что недетерминированная машина Тьюринга использует параллельные процессоры для вычислений, поскольку на каждом вычислительном шаге она может перейти в несколько состояний, а не только в одно. Вычисление завершается, когда все возможные ветви вычислений находятся в состоянии остановки. Недетерминированная машина Тьюринга быстрее решает NP-задачи, хотя детерминированная машина Тьюринга может моделировать недетерминированную, не занимая существенно больше места, но может использовать существенно больше времени.
Вероятностная машина Тьюринга (PTM), случайная машина Тьюринга (RTM) или машина Тьюринга, подверженная ошибкам (FTM). Это разновидности детерминированной машины Тьюринга, имеющие дополнительный аппаратный источник случайных битов, любое число которых они могут «заказать», загрузить на отдельную ленту и потом использовать в вычислениях. Вероятностная машина на каждом шаге может делать случайный выбор между несколькими переходами с заданной вероятностью, случайная машина выбирает следующее состояние при каждом переходе с равной вероятностью, а подверженная ошибкам моделирует ненадёжное вычисление в условиях аппаратных сбоев и шумов. Однако ни истинная квантовая случайность, ни детерминированная псевдослучайность не делают невычислимые задачи вычислимыми. Генератор случайных чисел в качестве источника входных данных может создавать случайные невычислимые функции или помогать угадывать правильное решение, но не даёт гарантированных ответов на неразрешимые проблемы.
среда, 8 апреля 2026 г.
Нагрузки, связанные с искусственным интеллектом
Нагрузки, связанные с искусственным интеллектом, меняют экономику центров обработки данных, планирование энергопотребления и решения по аренде. Их влияние уже очевидно в большинстве новых объектов и будет только усиливаться в ближайшие годы.
Искусственный интеллект в настоящее время является основным двигателем роста центров обработки данных в Соединенных Штатах и, по прогнозам, станет одним из нескольких факторов, которые приведут к увеличению предложения и мощности электросетей с примерно 30 или более гигаватт (ГВт) в 2025 году до 90 или более ГВт к 2030 году, что составит примерно 22% в год. Эта мощность превышает общую потребность в электроэнергии Калифорнии на сегодняшний день. И это полностью меняет инфраструктуру центров обработки данных в стране.
Ожидается, что крупные провайдеры облачных услуг займут около 70% прогнозируемой мощности на рынке США за счет собственных или арендованных мощностей. Их решения в области инфраструктуры определят, как будет развиваться вся экосистема центров обработки данных. Сегодня вычисления для ИИ в основном делятся на два типа рабочих нагрузок: обучение и вывод результатов. Обе рабочие нагрузки быстро формируют стратегии гипермасштабируемых компаний и приводят к сдвигу парадигмы в выборе площадок, стратегии энергоснабжения и архитектурном проектировании в портфелях гипермасштабируемых компаний.
Обучающие нагрузки стимулируют потребность в крупномасштабных, высокоплотных кампусах с передовыми инженерными системами (механическими, электрическими и сантехническими) и специализированными схемами интеграции оборудования. В то же время, нагрузки, связанные с данными в рамках искусственного интеллекта, ускоряют строительство площадок в крупных городах и прилегающих районах, оптимизированных для сокращения времени передачи данных, высокой сетевой взаимосвязи и энергоэффективности. Исследование показывает, что к 2030 году на нагрузки, связанные с данными, будет приходиться чуть более половины всех нагрузок ИИ, что заставляет крупных операторов пересматривать подход к проектированию и местоположению центров обработки данных. А ограничения в области энергосбережения меняют взгляд крупных операторов на рынок и способы ускорения строительства.
Вычислительные системы для ИИ всё больше ориентируются на будущее с высокой доступностью и интенсивным использованием алгоритмов вывода. В задачах обучения моделей ИИ основное внимание уделяется разработке и совершенствованию больших языковых моделей и других систем искусственного интеллекта. Для таких задач требуется высокая удельная мощность — от 100 до 200 и более киловатт (кВт) на стойку, специализированные межсоединения с низкими потерями и передовые системы жидкостного охлаждения для поддержания ресурсоемких вычислительных задач. Тренировочные нагрузки нечувствительны к задержкам и могут допускать задержки до 100 миллисекунд между соседними областями. Это позволяет крупным компаниям размещать их в отдаленных, богатых энергоресурсами районах, где имеется больше электроэнергии, земельных участков и водных ресурсов.
Рабочие нагрузки для вывода информации развертывают и запускают обученные модели. Они обеспечивают работу приложений реального времени, таких как поиск, чат-боты и рекомендательные системы, и требуют от 30 до 150 кВт на стойку. Старое оборудование можно перепрофилировать для обработки одновременных атомизированных рабочих нагрузок. В то время как затраты на обучение являются капиталоемкими и часто трудно напрямую связать с коммерческим эффектом, затраты на вывод результатов обычно являются периодическими и напрямую связаны с получением дохода.
По мере расширения как обучающих, так и вычислительных ресурсов, крупные облачные компании требуют более высокого уровня отказоустойчивости инфраструктуры для обеспечения бесперебойной работы и непрерывности предоставления услуг. Многие новые центры обработки данных, готовые к внедрению ИИ, проектируются в соответствии со стандартами полного резервирования, чтобы свести к минимуму риск простоев из-за отказов компонентов или вспомогательных систем. Этот переход к отказоустойчивому проектированию отражает как критическую важность непрерывных операций ИИ, так и растущие экономические риски, связанные с приложениями, основанными на выводе информации.
К 2030 году вывод данных превзойдет обучение и станет доминирующей нагрузкой в центрах обработки данных для ИИ, составляя более половины всех вычислительных мощностей ИИ и примерно 30%-40% от общего спроса на центры обработки данных. Этот переход от однократного обучения модели к постоянной деятельности по выводу данных будет все больше влиять на стратегию размещения, проектирование сетей и распределение электроэнергии у крупных облачных провайдеров.
Тем не менее, точная траектория роста объемов вычислительных нагрузок остается неопределенной. Хотя объемы запросов и ресурсоемкие задачи продолжают расти, несколько показателей эффективности улучшаются с той же скоростью. Достижения в области аппаратного обеспечения снижают потребление энергии на одно вычислительное устройство (токены на ватт). Оптимизация программного обеспечения, включая переход к более мелким и точно настроенным моделям, еще больше снижает требования к времени выполнения. Улучшения в форматах точности и специализации моделей также развиваются с той же скоростью. Эти тенденции могут замедлить рост до среднегодового темпа роста в 4%–7%, особенно с учетом того, что сроки получения разрешений, нормативные ограничения и региональные ограничения энергосистемы ограничивают скорость ввода в эксплуатацию новых мощностей.
Потребности в инфраструктуре ИИ распределены между двумя рабочими нагрузками. В некоторых передовых системах для обучения потребуется до одного мегаватта (МВт) на стойку. Это требует использования сверхплотных стеков для графических процессоров (GPU) и тензорных процессоров, а также жидкостного охлаждения. В отличие от этого, задачи вывода, хотя и значительно превосходят традиционные вычисления по потреблению кВт, потребляют от 30 до 150 кВт на стойку. Это больше соответствует усовершенствованной инфраструктуре облачных вычислений, чем полноценной высокопроизводительной вычислительной инфраструктуре. Отчасти это связано с тем, что рабочие нагрузки для вывода результатов обладают высокой степенью атомизации — другими словами, отдельные задачи могут обрабатываться независимо — в отличие от обучения, которое опирается на крупномасштабные, тесно синхронизированные кластеры графических процессоров. В результате получаются два радикально разных архетипа построения, каждый из которых определяет, где и как гипермасштабные компании строят решения для ИИ.
Для минимизации задержек рабочие нагрузки, связанные с выводом результатов, часто размещаются совместно с приложениями и хранилищем данных. С точки зрения требований к энергопотреблению и оборудованию, рабочие нагрузки, связанные с обучением, требуют использования современных коммутационных устройств и отказоустойчивых систем бесперебойного питания с резервным питанием от батарей, способных поглощать резкие скачки нагрузки, вызванные быстрыми колебаниями мощности графических процессоров. Эти колебания обусловлены высокой изменчивостью вычислительной интенсивности во время циклов обучения ИИ. По мере перехода графических процессоров между фазами обучающих событий, такими как умножение матриц, передача данных в память и синхронизация, мгновенное потребление энергии может резко возрастать или снижаться на 30–60 процентов в течение миллисекунд. Для управления этими скачками напряжения требуются сети электроснабжения увеличенной мощности, фильтрация гармоник и быстродействующие системы бесперебойного питания, чтобы предотвратить падение напряжения и защитить компоненты, расположенные ниже по цепи.
Центры обработки данных для обучения ИИ требуют гораздо большей плотности энергопотребления, чем стандартные центры обработки данных, из-за высоких вычислительных затрат на обучение больших моделей ИИ. Ожидается, что спрос на центры обработки данных для обучения ИИ будет расти со среднегодовым темпом роста в 22% в течение следующих пяти лет, достигнув более 60 ГВт к 2030 году. Но по мере того, как рабочие нагрузки, связанные с выводом данных, будут становиться все более доминирующими — ожидается, что они будут расти со среднегодовым темпом роста в 35% в течение следующих пяти лет и достигнут более 90 ГВт к 2030 году — центры обработки данных будут адаптироваться для поддержки вывода данных в масштабе, сосредоточившись на обработке в реальном времени с низкой задержкой. Таким образом, для удовлетворения потребностей центров обработки данных в масштабе ГВт потребуется переход от крупных, энергоемких объектов к более мелким, модульным и распределенным центрам обработки данных.
Облачные кампусы трансформируются в многофункциональные платформы для выполнения инференции и общих вычислительных задач.
Уже сейчас около 70% новых базовых кампусов объединяют общие вычислительные мощности и средства обработки данных, часто разделенные зданиями или дата-залами. Для обеспечения мгновенного отклика в проектах центров обработки данных следующего поколения кластеры обработки данных размещаются в существующих облачных кампусах, а не изолированы в отдельных учебных площадках. Стойки для обработки данных размещаются ближе к точкам доступа, хранилищам и сетевым зонам, что меняет структуру традиционных базовых облачных кампусов.
Меньшие по размеру центры обработки данных будут соединены высокоскоростными сетями, оптимизированными для выполнения вычислений в реальном времени и крупномасштабного обучения. Значительная часть вычислений будет по-прежнему перемещаться на периферию сети, что позволит снизить задержку и требования к пропускной способности. Кроме того, в новых центрах обработки данных будет расширено использование энергоэффективного оборудования, такого как специализированные микросхемы (например, интегральные схемы специального назначения и нейронные процессоры) и процессоры на базе архитектуры ARM.
Крупные центры обработки данных первого уровня, такие как северная Вирджиния и Санта-Клара, вместе составляют примерно 30 процентов мощности центров обработки данных в США. В настоящее время эти регионы ограничены перегрузкой электросетей, многолетними сроками получения разрешений и ценами на землю, превышающими 2 миллиона долларов за акр. В результате крупные компании переориентируются на рынки второго уровня, включая Де-Мойн, штат Айова; Сан-Антонио, штат Техас; и Колумбус, штат Огайо, где электроэнергия может поставляться на 12–24 месяца быстрее, а стоимость земли до 70% ниже. Эта перебалансировка подталкивает крупные компании к внедрению моделей выбора площадок, ориентированных на приоритет электроэнергии и энергоснабжения, например, путем прямого партнерства с поставщиками коммунальных услуг штатов для строительства новых центров обработки данных.
Хотя центры обработки данных мощностью менее 500 МВт по-прежнему часто финансируются за счет собственных средств, более крупные, многогигаваттные кампусы все чаще полагаются на совместные предприятия (СП) с инфраструктурными фондами, коммунальными предприятиями или частными кредитными партнерами. Капиталоемкость (до 25 миллионов долларов за МВт) и давление, связанное со скоростью выхода на рынок, вынуждают крупные компании использовать различные стратегии распределения капитала, включая использование балансов, поддерживаемых застройщиками или фондами, вместо ожидания внутренних циклов привлечения капитала. Хотя эти структуры расширяют доступ к капиталу, они часто вносят сложности по мере вовлечения большего числа сторон. Например, согласование интересов, ведение переговоров по контрактам, распределение рисков и структурирование стратегий выхода могут стать более сложными, что может замедлить этапы подготовки к строительству, комплексную проверку и юридические переговоры. Кроме того, партнеры-коммунальные предприятия могут потребовать дополнительных переговоров по модернизации сети, резервированию мощностей и координации разрешений для обслуживания новых нагрузок, что может увеличить сроки.
Некоторые разработчики экспериментируют с системами, расположенными за счетчиком (такими как топливные элементы, микросети и малые модульные реакторы), и соглашениями о прямой покупке электроэнергии, чтобы снизить свою зависимость от сети и ускорить ввод в эксплуатацию центра обработки данных. Например, компания New APR Energy развертывает мобильные газовые турбины, поставляющие более 100 МВт электроэнергии за счетчик американскому гипермасштабному оператору. Кроме того, компания Active Infrastructure планирует построить на севере Вирджинии кампус площадью 362 акра, который будет включать в себя водородные топливные элементы, микросеть и аккумуляторные батареи для основного производства электроэнергии на месте. Доступ к земельным участкам, имеющим соответствующие права, и надежным источникам энергии стал стратегическим конкурентным преимуществом, определяющим масштабы присутствия крупных технологических компаний и их привлекательность в качестве долгосрочных инвестиций.
Крупные облачные компании адаптируются по пяти основным направлениям.
В настоящее время стратегии крупных облачных компаний определяют темпы финансирования, владения и эксплуатации цифровой инфраструктуры, а также реакцию всей экосистемы в целом. Их приоритеты формируют потоки капитала, выявляя возможности в энергоэффективных системах, модульных конструкциях и передовых технологиях жидкостного охлаждения. По мере изменения и масштабирования рабочих нагрузок ИИ стратегии крупных облачных компаний меняются по пяти основным направлениям.
1. Крупные облачные компании продолжают инвестировать в электроэнергию для дальнейшего масштабирования ИИ.
Поскольку энергия становится конкурентным и ограниченным ресурсом для центров обработки данных, крупные компании переходят от пассивных потребителей к активным участникам энергетической экосистемы. Задача теперь заключается не только в снижении затрат; речь идет об обеспечении надежного, масштабируемого и, в идеале, экологически чистого энергоснабжения для поддержки экспоненциального роста спроса на ИИ. Например, крупные компании инвестируют в источники энергии следующего поколения, включая малые модульные реакторы и партнерства в области термоядерного синтеза, чтобы обеспечить экологически чистое и масштабируемое электроснабжение.
В настоящее время заинтересованные стороны обсуждают, следует ли вкладывать капитал в строительство или софинансирование новой инфраструктуры (например, возобновляемых источников энергии, систем хранения энергии или атомных электростанций следующего поколения) или же инвестировать в разработчиков и поставщиков, которые могут гарантировать долгосрочный доступ к чистой энергии. Эта дискуссия отражает более широкий стратегический сдвиг: энергетика стала ключевым фактором роста мощностей, а доступ к ней может обеспечить компаниям конкурентное преимущество. Регуляторное давление, обязательства в области устойчивого развития и региональные проблемы с энергосетями — все это влияет на инвестиционные решения в этом направлении.
Всё чаще крупные операторы центров обработки данных создают специализированные компании и совместные предприятия для финансирования строительства крупных центров обработки данных, чтобы снизить кредитную нагрузку и уменьшить риски, связанные с владением крупными долгосрочными инфраструктурными активами, включая такие виды деятельности, как прямой выпуск облигаций для финансирования крупных проектов.
2. Крупные облачные компании обменивают право собственности на скорость передачи данных и доступ к рынку.
В регионах с ограниченными энергетическими ресурсами время выхода на рынок в среднем составляет от 24 до 36 месяцев, поэтому лизинг остается критически важным для обеспечения вычислительных и энергетических мощностей в краткосрочной перспективе и удовлетворения потребностей клиентов. Однако крупные облачные компании по-прежнему стремятся к долгосрочному контролю над основными площадками. Исследование McKinsey показало, что в результате модели лизинга с правом выкупа теперь составляют от 25% до 30% новых сделок с крупными облачными платформами, особенно на рынках с ограниченными ресурсами, таких как Северная Вирджиния и Санта-Клара, где дефицит земли и электроэнергии делает гибкость крайне важной.
Показатели продления договоров аренды остаются высокими, составляя около 90%-95%, и, вероятно, будут продолжать расти, особенно на рынках первого уровня. В то время как крупные операторы стремятся к внедрению ИИ-технологий, они также осознают стратегическую важность сохранения площадок, критически важных для конечного потребителя. Чтобы сохранить свою инфраструктуру и одновременно удовлетворить меняющийся спрос, операторы все чаще готовы продавать небольшие или не подлежащие модернизации площадки и переориентировать свой портфель на мегакампусы и зоны доступности (АЗ), оптимизированные для ИИ.
3. Модульные и сборные конструкции служат катализатором развития крупных инвестиционных компаний.
Быстрорастущий спрос на ИИ стимулирует внедрение сборных и стандартизированных конструкций, которые могут сократить сроки поставки до 50% по сравнению со сборными зданиями. Предварительно одобренные корпуса с питанием от сети сокращают время выхода на рынок на 50%–70%. Важно отметить, что модульные конструкции теперь готовы к использованию жидкостного охлаждения, что позволяет крупным компаниям масштабно обрабатывать стойки следующего поколения с высокой плотностью размещения.
Более модульное строительство будет ориентировано на предпочтения крупных компаний, что приведет к увеличению доли сборных решений в центрах обработки данных. Строительные и производственные компании, работающие с различными типами решений, могут помочь крупным компаниям быстрее вводить свои объекты в эксплуатацию.
4. Крупные облачные компании переходят от разрозненных площадок к объединенным многофункциональным комплексам.
Крупные облачные компании объединяют рабочие нагрузки в больших, готовых к использованию ИИ кампусах и модернизируют часть своего существующего парка оборудования для поддержки жидкостного охлаждения и более высокой плотности размещения стоек, где можно эффективно масштабировать энергопотребление, охлаждение и структурные улучшения.
Крупные облачные компании развивают свои модели зон доступности (ЗД), переходя от автономных объектов к кластерам из нескольких объектов. Прогнозируется, что к 2030 году на такие кампусы будет приходиться около 70% развертываний. Эта тенденция подчеркивает заинтересованность компаний в кластеризации своих центров обработки данных для обеспечения оперативной и внутризональной отказоустойчивости, в отличие от использования автономных центров обработки данных, разбросанных по разным частям страны, в качестве собственных ЗД. Например, в случае отказа источника энергии или программного обеспечения, кластеры из нескольких объектов могут проще реплицировать и переключать данные и процессы, чем если бы центры располагались в нескольких местах.
С операционной точки зрения такой подход выгоден. Размещение кампусов ближе друг к другу и объединение этих центров позволяет операторам сохранять контроль над значительной территорией без необходимости укомплектовывать персоналом и контролировать несколько объектов, расположенных на значительном расстоянии друг от друга.
Там, где модернизация невозможна, операторы отдают приоритет задачам, не связанным с ИИ, на устаревших площадках и переносят задачи, связанные с ИИ, на новые, специально построенные кампусы.
5. Крупные облачные компании инвестируют в модернизацию существующих площадок, чтобы подготовить их к работе с искусственным интеллектом.
Поскольку искусственный интеллект меняет потребности инфраструктуры, крупные облачные компании вкладывают значительные средства в модернизацию устаревших центров обработки данных, а не в их замену. Традиционные объекты, предназначенные для облачных нагрузок с низкой плотностью, теперь требуют существенной модернизации для поддержки ресурсоемких систем ИИ с использованием графических процессоров, потребляющих до десяти раз больше энергии на стойку. Усилия по модернизации сосредоточены на интеграции технологий жидкостного и иммерсионного охлаждения, усилении конструкций для более тяжелых стоек ИИ, а также расширении мощностей электроснабжения и подстанций для обеспечения более высоких нагрузок.
Эти проекты могут быть сопряжены со своими трудностями. Во-первых, они капиталоемки, обычно стоят от 4 до 7 миллионов долларов за МВт для компаний, размещающих свои мощности в одном месте, и от 20 до 30 миллионов долларов за МВт для крупных операторов. Во-вторых, проект модернизации может нарушить работу существующего объекта. И в-третьих, эти проекты возможны только в местах с достаточным запасом электроэнергии. Тем не менее, проекты модернизации быстрее и менее рискованны, чем строительство новых кампусов. Модернизируя, а не переезжая, крупные операторы сохраняют доступ к сетевым узлам первого уровня, таким как северная Вирджиния и Санта-Клара.
Операторы выделяют объекты, где модернизация технически нецелесообразна для задач, не связанных с ИИ, и концентрируют высокопроизводительные вычисления в новых, оптимизированных для ИИ кампусах. Таким образом, модернизация стала катализатором дальнейшего масштабирования ИИ, позволяя крупным компаниям продлевать срок службы активов, быстро наращивать мощности ИИ и повышать отказоустойчивость своих наиболее ценных центров обработки данных.
Искусственный интеллект стал центром притяжения цифровой инфраструктуры. Нынешний сдвиг в стратегиях крупных компаний является редким и важным событием — он знаменует начало фундаментальных изменений на рынке, и заинтересованные стороны в цепочке создания стоимости центров обработки данных должны осознать этот сдвиг и понять, как адаптировать свою позицию, чтобы воспользоваться новыми возможностями, которые эти изменения создают. Следующий этап этой эволюции размоет грань между центром обработки данных и электростанцией, поскольку крупные компании превратятся в поставщиков коммунальных услуг, соразработчиков и финансистов, переопределяя темпы и географию роста ИИ. Эти изменения будут способствовать дальнейшему развитию рынка, поскольку крупные компании и экосистема центров обработки данных адаптируются к растущему спросу на вычислительные ресурсы.
Источник
Следующие крупные изменения в рабочих нагрузках ИИ и стратегиях гипермасштабируемых компаний. 17 декабря 2025 г. Статья. Чхави Арора, Марк Сорель, Панкадж Сачдева, Рия Гарг, Шрия Равишанкар.
The next big shifts in AI workloads and hyperscaler strategies. December 17, 2025 Article.
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-next-big-shifts-in-ai-workloads-and-hyperscaler-strategies
Искусственный интеллект в настоящее время является основным двигателем роста центров обработки данных в Соединенных Штатах и, по прогнозам, станет одним из нескольких факторов, которые приведут к увеличению предложения и мощности электросетей с примерно 30 или более гигаватт (ГВт) в 2025 году до 90 или более ГВт к 2030 году, что составит примерно 22% в год. Эта мощность превышает общую потребность в электроэнергии Калифорнии на сегодняшний день. И это полностью меняет инфраструктуру центров обработки данных в стране.
Ожидается, что крупные провайдеры облачных услуг займут около 70% прогнозируемой мощности на рынке США за счет собственных или арендованных мощностей. Их решения в области инфраструктуры определят, как будет развиваться вся экосистема центров обработки данных. Сегодня вычисления для ИИ в основном делятся на два типа рабочих нагрузок: обучение и вывод результатов. Обе рабочие нагрузки быстро формируют стратегии гипермасштабируемых компаний и приводят к сдвигу парадигмы в выборе площадок, стратегии энергоснабжения и архитектурном проектировании в портфелях гипермасштабируемых компаний.
Обучающие нагрузки стимулируют потребность в крупномасштабных, высокоплотных кампусах с передовыми инженерными системами (механическими, электрическими и сантехническими) и специализированными схемами интеграции оборудования. В то же время, нагрузки, связанные с данными в рамках искусственного интеллекта, ускоряют строительство площадок в крупных городах и прилегающих районах, оптимизированных для сокращения времени передачи данных, высокой сетевой взаимосвязи и энергоэффективности. Исследование показывает, что к 2030 году на нагрузки, связанные с данными, будет приходиться чуть более половины всех нагрузок ИИ, что заставляет крупных операторов пересматривать подход к проектированию и местоположению центров обработки данных. А ограничения в области энергосбережения меняют взгляд крупных операторов на рынок и способы ускорения строительства.
Вычислительные системы для ИИ всё больше ориентируются на будущее с высокой доступностью и интенсивным использованием алгоритмов вывода. В задачах обучения моделей ИИ основное внимание уделяется разработке и совершенствованию больших языковых моделей и других систем искусственного интеллекта. Для таких задач требуется высокая удельная мощность — от 100 до 200 и более киловатт (кВт) на стойку, специализированные межсоединения с низкими потерями и передовые системы жидкостного охлаждения для поддержания ресурсоемких вычислительных задач. Тренировочные нагрузки нечувствительны к задержкам и могут допускать задержки до 100 миллисекунд между соседними областями. Это позволяет крупным компаниям размещать их в отдаленных, богатых энергоресурсами районах, где имеется больше электроэнергии, земельных участков и водных ресурсов.
Рабочие нагрузки для вывода информации развертывают и запускают обученные модели. Они обеспечивают работу приложений реального времени, таких как поиск, чат-боты и рекомендательные системы, и требуют от 30 до 150 кВт на стойку. Старое оборудование можно перепрофилировать для обработки одновременных атомизированных рабочих нагрузок. В то время как затраты на обучение являются капиталоемкими и часто трудно напрямую связать с коммерческим эффектом, затраты на вывод результатов обычно являются периодическими и напрямую связаны с получением дохода.
По мере расширения как обучающих, так и вычислительных ресурсов, крупные облачные компании требуют более высокого уровня отказоустойчивости инфраструктуры для обеспечения бесперебойной работы и непрерывности предоставления услуг. Многие новые центры обработки данных, готовые к внедрению ИИ, проектируются в соответствии со стандартами полного резервирования, чтобы свести к минимуму риск простоев из-за отказов компонентов или вспомогательных систем. Этот переход к отказоустойчивому проектированию отражает как критическую важность непрерывных операций ИИ, так и растущие экономические риски, связанные с приложениями, основанными на выводе информации.
К 2030 году вывод данных превзойдет обучение и станет доминирующей нагрузкой в центрах обработки данных для ИИ, составляя более половины всех вычислительных мощностей ИИ и примерно 30%-40% от общего спроса на центры обработки данных. Этот переход от однократного обучения модели к постоянной деятельности по выводу данных будет все больше влиять на стратегию размещения, проектирование сетей и распределение электроэнергии у крупных облачных провайдеров.
Тем не менее, точная траектория роста объемов вычислительных нагрузок остается неопределенной. Хотя объемы запросов и ресурсоемкие задачи продолжают расти, несколько показателей эффективности улучшаются с той же скоростью. Достижения в области аппаратного обеспечения снижают потребление энергии на одно вычислительное устройство (токены на ватт). Оптимизация программного обеспечения, включая переход к более мелким и точно настроенным моделям, еще больше снижает требования к времени выполнения. Улучшения в форматах точности и специализации моделей также развиваются с той же скоростью. Эти тенденции могут замедлить рост до среднегодового темпа роста в 4%–7%, особенно с учетом того, что сроки получения разрешений, нормативные ограничения и региональные ограничения энергосистемы ограничивают скорость ввода в эксплуатацию новых мощностей.
Потребности в инфраструктуре ИИ распределены между двумя рабочими нагрузками. В некоторых передовых системах для обучения потребуется до одного мегаватта (МВт) на стойку. Это требует использования сверхплотных стеков для графических процессоров (GPU) и тензорных процессоров, а также жидкостного охлаждения. В отличие от этого, задачи вывода, хотя и значительно превосходят традиционные вычисления по потреблению кВт, потребляют от 30 до 150 кВт на стойку. Это больше соответствует усовершенствованной инфраструктуре облачных вычислений, чем полноценной высокопроизводительной вычислительной инфраструктуре. Отчасти это связано с тем, что рабочие нагрузки для вывода результатов обладают высокой степенью атомизации — другими словами, отдельные задачи могут обрабатываться независимо — в отличие от обучения, которое опирается на крупномасштабные, тесно синхронизированные кластеры графических процессоров. В результате получаются два радикально разных архетипа построения, каждый из которых определяет, где и как гипермасштабные компании строят решения для ИИ.
Для минимизации задержек рабочие нагрузки, связанные с выводом результатов, часто размещаются совместно с приложениями и хранилищем данных. С точки зрения требований к энергопотреблению и оборудованию, рабочие нагрузки, связанные с обучением, требуют использования современных коммутационных устройств и отказоустойчивых систем бесперебойного питания с резервным питанием от батарей, способных поглощать резкие скачки нагрузки, вызванные быстрыми колебаниями мощности графических процессоров. Эти колебания обусловлены высокой изменчивостью вычислительной интенсивности во время циклов обучения ИИ. По мере перехода графических процессоров между фазами обучающих событий, такими как умножение матриц, передача данных в память и синхронизация, мгновенное потребление энергии может резко возрастать или снижаться на 30–60 процентов в течение миллисекунд. Для управления этими скачками напряжения требуются сети электроснабжения увеличенной мощности, фильтрация гармоник и быстродействующие системы бесперебойного питания, чтобы предотвратить падение напряжения и защитить компоненты, расположенные ниже по цепи.
Центры обработки данных для обучения ИИ требуют гораздо большей плотности энергопотребления, чем стандартные центры обработки данных, из-за высоких вычислительных затрат на обучение больших моделей ИИ. Ожидается, что спрос на центры обработки данных для обучения ИИ будет расти со среднегодовым темпом роста в 22% в течение следующих пяти лет, достигнув более 60 ГВт к 2030 году. Но по мере того, как рабочие нагрузки, связанные с выводом данных, будут становиться все более доминирующими — ожидается, что они будут расти со среднегодовым темпом роста в 35% в течение следующих пяти лет и достигнут более 90 ГВт к 2030 году — центры обработки данных будут адаптироваться для поддержки вывода данных в масштабе, сосредоточившись на обработке в реальном времени с низкой задержкой. Таким образом, для удовлетворения потребностей центров обработки данных в масштабе ГВт потребуется переход от крупных, энергоемких объектов к более мелким, модульным и распределенным центрам обработки данных.
Облачные кампусы трансформируются в многофункциональные платформы для выполнения инференции и общих вычислительных задач.
Уже сейчас около 70% новых базовых кампусов объединяют общие вычислительные мощности и средства обработки данных, часто разделенные зданиями или дата-залами. Для обеспечения мгновенного отклика в проектах центров обработки данных следующего поколения кластеры обработки данных размещаются в существующих облачных кампусах, а не изолированы в отдельных учебных площадках. Стойки для обработки данных размещаются ближе к точкам доступа, хранилищам и сетевым зонам, что меняет структуру традиционных базовых облачных кампусов.
Меньшие по размеру центры обработки данных будут соединены высокоскоростными сетями, оптимизированными для выполнения вычислений в реальном времени и крупномасштабного обучения. Значительная часть вычислений будет по-прежнему перемещаться на периферию сети, что позволит снизить задержку и требования к пропускной способности. Кроме того, в новых центрах обработки данных будет расширено использование энергоэффективного оборудования, такого как специализированные микросхемы (например, интегральные схемы специального назначения и нейронные процессоры) и процессоры на базе архитектуры ARM.
Крупные центры обработки данных первого уровня, такие как северная Вирджиния и Санта-Клара, вместе составляют примерно 30 процентов мощности центров обработки данных в США. В настоящее время эти регионы ограничены перегрузкой электросетей, многолетними сроками получения разрешений и ценами на землю, превышающими 2 миллиона долларов за акр. В результате крупные компании переориентируются на рынки второго уровня, включая Де-Мойн, штат Айова; Сан-Антонио, штат Техас; и Колумбус, штат Огайо, где электроэнергия может поставляться на 12–24 месяца быстрее, а стоимость земли до 70% ниже. Эта перебалансировка подталкивает крупные компании к внедрению моделей выбора площадок, ориентированных на приоритет электроэнергии и энергоснабжения, например, путем прямого партнерства с поставщиками коммунальных услуг штатов для строительства новых центров обработки данных.
Хотя центры обработки данных мощностью менее 500 МВт по-прежнему часто финансируются за счет собственных средств, более крупные, многогигаваттные кампусы все чаще полагаются на совместные предприятия (СП) с инфраструктурными фондами, коммунальными предприятиями или частными кредитными партнерами. Капиталоемкость (до 25 миллионов долларов за МВт) и давление, связанное со скоростью выхода на рынок, вынуждают крупные компании использовать различные стратегии распределения капитала, включая использование балансов, поддерживаемых застройщиками или фондами, вместо ожидания внутренних циклов привлечения капитала. Хотя эти структуры расширяют доступ к капиталу, они часто вносят сложности по мере вовлечения большего числа сторон. Например, согласование интересов, ведение переговоров по контрактам, распределение рисков и структурирование стратегий выхода могут стать более сложными, что может замедлить этапы подготовки к строительству, комплексную проверку и юридические переговоры. Кроме того, партнеры-коммунальные предприятия могут потребовать дополнительных переговоров по модернизации сети, резервированию мощностей и координации разрешений для обслуживания новых нагрузок, что может увеличить сроки.
Некоторые разработчики экспериментируют с системами, расположенными за счетчиком (такими как топливные элементы, микросети и малые модульные реакторы), и соглашениями о прямой покупке электроэнергии, чтобы снизить свою зависимость от сети и ускорить ввод в эксплуатацию центра обработки данных. Например, компания New APR Energy развертывает мобильные газовые турбины, поставляющие более 100 МВт электроэнергии за счетчик американскому гипермасштабному оператору. Кроме того, компания Active Infrastructure планирует построить на севере Вирджинии кампус площадью 362 акра, который будет включать в себя водородные топливные элементы, микросеть и аккумуляторные батареи для основного производства электроэнергии на месте. Доступ к земельным участкам, имеющим соответствующие права, и надежным источникам энергии стал стратегическим конкурентным преимуществом, определяющим масштабы присутствия крупных технологических компаний и их привлекательность в качестве долгосрочных инвестиций.
Крупные облачные компании адаптируются по пяти основным направлениям.
В настоящее время стратегии крупных облачных компаний определяют темпы финансирования, владения и эксплуатации цифровой инфраструктуры, а также реакцию всей экосистемы в целом. Их приоритеты формируют потоки капитала, выявляя возможности в энергоэффективных системах, модульных конструкциях и передовых технологиях жидкостного охлаждения. По мере изменения и масштабирования рабочих нагрузок ИИ стратегии крупных облачных компаний меняются по пяти основным направлениям.
1. Крупные облачные компании продолжают инвестировать в электроэнергию для дальнейшего масштабирования ИИ.
Поскольку энергия становится конкурентным и ограниченным ресурсом для центров обработки данных, крупные компании переходят от пассивных потребителей к активным участникам энергетической экосистемы. Задача теперь заключается не только в снижении затрат; речь идет об обеспечении надежного, масштабируемого и, в идеале, экологически чистого энергоснабжения для поддержки экспоненциального роста спроса на ИИ. Например, крупные компании инвестируют в источники энергии следующего поколения, включая малые модульные реакторы и партнерства в области термоядерного синтеза, чтобы обеспечить экологически чистое и масштабируемое электроснабжение.
В настоящее время заинтересованные стороны обсуждают, следует ли вкладывать капитал в строительство или софинансирование новой инфраструктуры (например, возобновляемых источников энергии, систем хранения энергии или атомных электростанций следующего поколения) или же инвестировать в разработчиков и поставщиков, которые могут гарантировать долгосрочный доступ к чистой энергии. Эта дискуссия отражает более широкий стратегический сдвиг: энергетика стала ключевым фактором роста мощностей, а доступ к ней может обеспечить компаниям конкурентное преимущество. Регуляторное давление, обязательства в области устойчивого развития и региональные проблемы с энергосетями — все это влияет на инвестиционные решения в этом направлении.
Всё чаще крупные операторы центров обработки данных создают специализированные компании и совместные предприятия для финансирования строительства крупных центров обработки данных, чтобы снизить кредитную нагрузку и уменьшить риски, связанные с владением крупными долгосрочными инфраструктурными активами, включая такие виды деятельности, как прямой выпуск облигаций для финансирования крупных проектов.
2. Крупные облачные компании обменивают право собственности на скорость передачи данных и доступ к рынку.
В регионах с ограниченными энергетическими ресурсами время выхода на рынок в среднем составляет от 24 до 36 месяцев, поэтому лизинг остается критически важным для обеспечения вычислительных и энергетических мощностей в краткосрочной перспективе и удовлетворения потребностей клиентов. Однако крупные облачные компании по-прежнему стремятся к долгосрочному контролю над основными площадками. Исследование McKinsey показало, что в результате модели лизинга с правом выкупа теперь составляют от 25% до 30% новых сделок с крупными облачными платформами, особенно на рынках с ограниченными ресурсами, таких как Северная Вирджиния и Санта-Клара, где дефицит земли и электроэнергии делает гибкость крайне важной.
Показатели продления договоров аренды остаются высокими, составляя около 90%-95%, и, вероятно, будут продолжать расти, особенно на рынках первого уровня. В то время как крупные операторы стремятся к внедрению ИИ-технологий, они также осознают стратегическую важность сохранения площадок, критически важных для конечного потребителя. Чтобы сохранить свою инфраструктуру и одновременно удовлетворить меняющийся спрос, операторы все чаще готовы продавать небольшие или не подлежащие модернизации площадки и переориентировать свой портфель на мегакампусы и зоны доступности (АЗ), оптимизированные для ИИ.
3. Модульные и сборные конструкции служат катализатором развития крупных инвестиционных компаний.
Быстрорастущий спрос на ИИ стимулирует внедрение сборных и стандартизированных конструкций, которые могут сократить сроки поставки до 50% по сравнению со сборными зданиями. Предварительно одобренные корпуса с питанием от сети сокращают время выхода на рынок на 50%–70%. Важно отметить, что модульные конструкции теперь готовы к использованию жидкостного охлаждения, что позволяет крупным компаниям масштабно обрабатывать стойки следующего поколения с высокой плотностью размещения.
Более модульное строительство будет ориентировано на предпочтения крупных компаний, что приведет к увеличению доли сборных решений в центрах обработки данных. Строительные и производственные компании, работающие с различными типами решений, могут помочь крупным компаниям быстрее вводить свои объекты в эксплуатацию.
4. Крупные облачные компании переходят от разрозненных площадок к объединенным многофункциональным комплексам.
Крупные облачные компании объединяют рабочие нагрузки в больших, готовых к использованию ИИ кампусах и модернизируют часть своего существующего парка оборудования для поддержки жидкостного охлаждения и более высокой плотности размещения стоек, где можно эффективно масштабировать энергопотребление, охлаждение и структурные улучшения.
Крупные облачные компании развивают свои модели зон доступности (ЗД), переходя от автономных объектов к кластерам из нескольких объектов. Прогнозируется, что к 2030 году на такие кампусы будет приходиться около 70% развертываний. Эта тенденция подчеркивает заинтересованность компаний в кластеризации своих центров обработки данных для обеспечения оперативной и внутризональной отказоустойчивости, в отличие от использования автономных центров обработки данных, разбросанных по разным частям страны, в качестве собственных ЗД. Например, в случае отказа источника энергии или программного обеспечения, кластеры из нескольких объектов могут проще реплицировать и переключать данные и процессы, чем если бы центры располагались в нескольких местах.
С операционной точки зрения такой подход выгоден. Размещение кампусов ближе друг к другу и объединение этих центров позволяет операторам сохранять контроль над значительной территорией без необходимости укомплектовывать персоналом и контролировать несколько объектов, расположенных на значительном расстоянии друг от друга.
Там, где модернизация невозможна, операторы отдают приоритет задачам, не связанным с ИИ, на устаревших площадках и переносят задачи, связанные с ИИ, на новые, специально построенные кампусы.
5. Крупные облачные компании инвестируют в модернизацию существующих площадок, чтобы подготовить их к работе с искусственным интеллектом.
Поскольку искусственный интеллект меняет потребности инфраструктуры, крупные облачные компании вкладывают значительные средства в модернизацию устаревших центров обработки данных, а не в их замену. Традиционные объекты, предназначенные для облачных нагрузок с низкой плотностью, теперь требуют существенной модернизации для поддержки ресурсоемких систем ИИ с использованием графических процессоров, потребляющих до десяти раз больше энергии на стойку. Усилия по модернизации сосредоточены на интеграции технологий жидкостного и иммерсионного охлаждения, усилении конструкций для более тяжелых стоек ИИ, а также расширении мощностей электроснабжения и подстанций для обеспечения более высоких нагрузок.
Эти проекты могут быть сопряжены со своими трудностями. Во-первых, они капиталоемки, обычно стоят от 4 до 7 миллионов долларов за МВт для компаний, размещающих свои мощности в одном месте, и от 20 до 30 миллионов долларов за МВт для крупных операторов. Во-вторых, проект модернизации может нарушить работу существующего объекта. И в-третьих, эти проекты возможны только в местах с достаточным запасом электроэнергии. Тем не менее, проекты модернизации быстрее и менее рискованны, чем строительство новых кампусов. Модернизируя, а не переезжая, крупные операторы сохраняют доступ к сетевым узлам первого уровня, таким как северная Вирджиния и Санта-Клара.
Операторы выделяют объекты, где модернизация технически нецелесообразна для задач, не связанных с ИИ, и концентрируют высокопроизводительные вычисления в новых, оптимизированных для ИИ кампусах. Таким образом, модернизация стала катализатором дальнейшего масштабирования ИИ, позволяя крупным компаниям продлевать срок службы активов, быстро наращивать мощности ИИ и повышать отказоустойчивость своих наиболее ценных центров обработки данных.
Искусственный интеллект стал центром притяжения цифровой инфраструктуры. Нынешний сдвиг в стратегиях крупных компаний является редким и важным событием — он знаменует начало фундаментальных изменений на рынке, и заинтересованные стороны в цепочке создания стоимости центров обработки данных должны осознать этот сдвиг и понять, как адаптировать свою позицию, чтобы воспользоваться новыми возможностями, которые эти изменения создают. Следующий этап этой эволюции размоет грань между центром обработки данных и электростанцией, поскольку крупные компании превратятся в поставщиков коммунальных услуг, соразработчиков и финансистов, переопределяя темпы и географию роста ИИ. Эти изменения будут способствовать дальнейшему развитию рынка, поскольку крупные компании и экосистема центров обработки данных адаптируются к растущему спросу на вычислительные ресурсы.
Источник
Следующие крупные изменения в рабочих нагрузках ИИ и стратегиях гипермасштабируемых компаний. 17 декабря 2025 г. Статья. Чхави Арора, Марк Сорель, Панкадж Сачдева, Рия Гарг, Шрия Равишанкар.
The next big shifts in AI workloads and hyperscaler strategies. December 17, 2025 Article.
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-next-big-shifts-in-ai-workloads-and-hyperscaler-strategies
суббота, 4 апреля 2026 г.
Когда системы движутся быстрее, чем мы
Когда познание теряет свою скорость
Искусственный интеллект доминирует в дискуссиях о будущем. Его представляют как прорыв, угрозу, двигатель производительности или моральный вызов. Гораздо меньше внимания уделяется более тихому, но более значимому сдвигу, который уже происходит: интеллект теперь развивается быстрее, чем человеческие системы, созданные для его обработки.
Что происходит, когда это несоответствие становится структурным — когда открытие, вывод и действие опережают анализ, координацию и общее согласие? Как давление распространяется по системе, изменяя способы формирования знаний, реакцию окружающей среды и институтов, а также эволюцию человеческих ролей?
Дискуссия об искусственном интеллекте — громкая, переполненная и всё более бесполезная. Каждую неделю появляется новый прорыв, новое предупреждение или новое обещание. Интеллект преподносится как инструмент, угроза, фактор повышения эффективности рабочей силы или моральный риск. Споры возникают быстро. Позиции ужесточаются. Оптимизм и страх меняются местами. Редко обсуждается нечто более фундаментальное: не то, что может делать интеллект, а то, что происходит, когда интеллект развивается быстрее, чем системы, которые когда-то придавали ему смысл. Эта серия статей не об искусственном интеллекте. Она о скорости. Точнее, она о том, что происходит, когда темп познания превышает темп человеческой координации, проверки и согласования.
На протяжении большей части современной истории знания распространялись достаточно медленно, чтобы общество могло за ними угнаться. Открытия требовали времени. Накапливались доказательства. Проводился анализ. В институтах велись дискуссии. Доверие формировалось постепенно. Смысл возникал через трения. Эти задержки не были недостатками системы. Они и были самой системой. Они позволяли людям спорить, интерпретировать, оспаривать и в конечном итоге соглашаться с тем, что считалось истинным, важным или законным. Этот размеренный темп исчез.
Теперь интеллект способен генерировать гипотезы, проверять сценарии, моделировать результаты и действовать на их основе быстрее, чем люди могут их анализировать, интерпретировать или согласовывать. Знание больше не появляется в виде отдельных моментов. Оно непрерывно течет. Оно самообновляется. Оно самокорректируется. И все чаще оно переходит непосредственно в действие, не дожидаясь формирования общего понимания. Это ключевой сдвиг, лежащий в основе всего последующего. Проблема не в том, что машины стали умнее. Проблема в том, что общее знание утратило свои естественные буферы.
Когда процесс поиска информации ускоряется сверх стадии проверки, истина перестает быть окончательно установленной до ее использования. Когда понимание мгновенно распространяется по различным областям, контекст разрушается. Когда системы в режиме реального времени определяют намерения человека, интерпретация становится необязательной. Доверие, некогда создававшееся посредством процесса и терпения, теперь находится под постоянным давлением. Знание становится предварительным не потому, что оно слабое, а потому, что оно никогда не бывает завершенным. Именно поэтому многие люди чувствуют себя дезориентированными. Не дезинформированными — именно дезориентированными.
Мы привыкли к разногласиям. В обществах всегда спорили о фактах, ценностях и приоритетах. Сейчас же ощущается разница в том, что само понимание никогда не стабилизируется достаточно долго, чтобы можно было о нём спорить. Утверждения появляются, распространяются и мутируют, прежде чем сформируется коллективное суждение. Экспертиза оспаривается не невежеством, а альтернативными моделями, развивающимися параллельно. Доказательства опережают убеждения. Свидетельства опережают доверие. Знание стало быстрым, взаимосвязанным и адаптивным. Понимание — нет.
Это несоответствие — не культурная неудача или пробел в образовании. Это механическая проблема. Человеческие системы эволюционировали, чтобы обрабатывать знания, поступающие партиями. Искусственный интеллект же производит знания в виде потока. Как только этот поток достигает определенной скорости, система начинает вести себя иначе. Области, которые ранее были слабо связаны, начинают сталкиваться. Наука подпитывает политику еще до того, как сформируется консенсус. Рынки реагируют на сигналы еще до того, как формируются нарративы. Институты реагируют на результаты, которые они не успели легитимировать. Это не сценарий будущего. Это уже происходит.
Подумайте, как быстро научные открытия сейчас переходят из лаборатории в модель и к рекомендациям. Или как автоматизированные системы оценивают риск, намерения или достоверность за миллисекунды. Или как в обществе формируются нарративы вокруг идей, которые большинство людей никогда напрямую не оценивают. В каждом случае прослеживается одна и та же закономерность: интеллект генерирует полезные знания быстрее, чем общество успевает прийти к согласию относительно их значения. Результатом является не хаос. Это нечто более тонкое и более значимое. Система не ломается. Она перестраивается.
По мере исчезновения буферов давление распространяется. Знание становится коллективным, но оспариваемым. Доверие фрагментируется. Авторитет переходит от обсуждения к исполнению. Системы начинают «чувствовать обстановку», вместо того чтобы ждать явных указаний. Темп открытий приводит в движение другие области, независимо от того, готовы они к этому или нет.
Именно здесь впервые становятся видны последствия машинного интеллекта, поскольку знание находится на более высоком уровне, чем всё остальное. Прежде чем окружающая среда адаптируется, институты распадутся или человечество переосмыслит свою роль, само знание меняет свою форму. Оно становится меньше связано с устоявшимися истинами и больше с непрерывной корректировкой. Меньше с общими выводами и больше с постоянной коррекцией.
Здесь есть реальные преимущества. Открытия ускоряются. Понимание распространяется. Обучение накапливается. Ранние сигналы предотвращают вред. Но есть и реальные издержки. Общее понимание ослабевает. Доверие локализуется. Поддерживать согласованность становится сложнее. Сами механизмы, которые когда-то позволяли обществам соглашаться с реальностью, с трудом справляются с этим.
Это противоречие не разрешается в этой главе. Оно не может быть разрешено. Оно только углубляется.
Знание уже начало меняться. Оно больше не ждет, пока устоятся условия, прежде чем быть использованным, и больше не приходит достаточно медленно, чтобы сформировалось общее понимание. Этот сдвиг не ограничивается самим знанием. Как только интеллект начинает работать со скоростью машины, давление распространяется вниз по течению. В следующей статье этой серии мы проследим это давление в физический мир, где окружающая среда начинает реагировать автоматически — корректируя системы здравоохранения, города, энергетику и мобильность еще до того, как люди смогут вмешаться. То, что начинается как трансформация знания, быстро превращается в трансформацию того, как мир действует.
На протяжении большей части современной истории знания распространялись достаточно медленно, чтобы общество могло за ними угнаться. Открытия требовали времени. Накапливались доказательства. Проводился анализ. В институтах велись дискуссии. Доверие формировалось постепенно. Смысл возникал через трения. Эти задержки не были недостатками системы. Они и были самой системой. Они позволяли людям спорить, интерпретировать, оспаривать и в конечном итоге соглашаться с тем, что считалось истинным, важным или законным. Этот размеренный темп исчез.
Теперь интеллект способен генерировать гипотезы, проверять сценарии, моделировать результаты и действовать на их основе быстрее, чем люди могут их анализировать, интерпретировать или согласовывать. Знание больше не появляется в виде отдельных моментов. Оно непрерывно течет. Оно самообновляется. Оно самокорректируется. И все чаще оно переходит непосредственно в действие, не дожидаясь формирования общего понимания. Это ключевой сдвиг, лежащий в основе всего последующего. Проблема не в том, что машины стали умнее. Проблема в том, что общее знание утратило свои естественные буферы.
Когда процесс поиска информации ускоряется сверх стадии проверки, истина перестает быть окончательно установленной до ее использования. Когда понимание мгновенно распространяется по различным областям, контекст разрушается. Когда системы в режиме реального времени определяют намерения человека, интерпретация становится необязательной. Доверие, некогда создававшееся посредством процесса и терпения, теперь находится под постоянным давлением. Знание становится предварительным не потому, что оно слабое, а потому, что оно никогда не бывает завершенным. Именно поэтому многие люди чувствуют себя дезориентированными. Не дезинформированными — именно дезориентированными.
Мы привыкли к разногласиям. В обществах всегда спорили о фактах, ценностях и приоритетах. Сейчас же ощущается разница в том, что само понимание никогда не стабилизируется достаточно долго, чтобы можно было о нём спорить. Утверждения появляются, распространяются и мутируют, прежде чем сформируется коллективное суждение. Экспертиза оспаривается не невежеством, а альтернативными моделями, развивающимися параллельно. Доказательства опережают убеждения. Свидетельства опережают доверие. Знание стало быстрым, взаимосвязанным и адаптивным. Понимание — нет.
Это несоответствие — не культурная неудача или пробел в образовании. Это механическая проблема. Человеческие системы эволюционировали, чтобы обрабатывать знания, поступающие партиями. Искусственный интеллект же производит знания в виде потока. Как только этот поток достигает определенной скорости, система начинает вести себя иначе. Области, которые ранее были слабо связаны, начинают сталкиваться. Наука подпитывает политику еще до того, как сформируется консенсус. Рынки реагируют на сигналы еще до того, как формируются нарративы. Институты реагируют на результаты, которые они не успели легитимировать. Это не сценарий будущего. Это уже происходит.
Подумайте, как быстро научные открытия сейчас переходят из лаборатории в модель и к рекомендациям. Или как автоматизированные системы оценивают риск, намерения или достоверность за миллисекунды. Или как в обществе формируются нарративы вокруг идей, которые большинство людей никогда напрямую не оценивают. В каждом случае прослеживается одна и та же закономерность: интеллект генерирует полезные знания быстрее, чем общество успевает прийти к согласию относительно их значения. Результатом является не хаос. Это нечто более тонкое и более значимое. Система не ломается. Она перестраивается.
По мере исчезновения буферов давление распространяется. Знание становится коллективным, но оспариваемым. Доверие фрагментируется. Авторитет переходит от обсуждения к исполнению. Системы начинают «чувствовать обстановку», вместо того чтобы ждать явных указаний. Темп открытий приводит в движение другие области, независимо от того, готовы они к этому или нет.
Именно здесь впервые становятся видны последствия машинного интеллекта, поскольку знание находится на более высоком уровне, чем всё остальное. Прежде чем окружающая среда адаптируется, институты распадутся или человечество переосмыслит свою роль, само знание меняет свою форму. Оно становится меньше связано с устоявшимися истинами и больше с непрерывной корректировкой. Меньше с общими выводами и больше с постоянной коррекцией.
Здесь есть реальные преимущества. Открытия ускоряются. Понимание распространяется. Обучение накапливается. Ранние сигналы предотвращают вред. Но есть и реальные издержки. Общее понимание ослабевает. Доверие локализуется. Поддерживать согласованность становится сложнее. Сами механизмы, которые когда-то позволяли обществам соглашаться с реальностью, с трудом справляются с этим.
Это противоречие не разрешается в этой главе. Оно не может быть разрешено. Оно только углубляется.
Знание уже начало меняться. Оно больше не ждет, пока устоятся условия, прежде чем быть использованным, и больше не приходит достаточно медленно, чтобы сформировалось общее понимание. Этот сдвиг не ограничивается самим знанием. Как только интеллект начинает работать со скоростью машины, давление распространяется вниз по течению. В следующей статье этой серии мы проследим это давление в физический мир, где окружающая среда начинает реагировать автоматически — корректируя системы здравоохранения, города, энергетику и мобильность еще до того, как люди смогут вмешаться. То, что начинается как трансформация знания, быстро превращается в трансформацию того, как мир действует.
Источник
Когда системы движутся быстрее, чем мы. 16 января 2026 г. Фрэнк Диана
When Systems Move Faster Than We Do
https://frankdiana.net/2026/01/16/when-systems-move-faster-than-we-do/
* * *
Мы рассмотрели, как само знание начинает замедлять темп, когда интеллект развивается быстрее, чем человеческий анализ и общее понимание. Знание больше не ждет, пока оно укоренится, прежде чем быть использованным. Оно постоянно обновляется, мгновенно распространяется и все чаще обходит коллективное согласие. Этот сдвиг не остается в рамках. Как только знание меняет свою форму, давление перемещается вниз по течению. Следующее место, где оно проявляется, — это окружающая среда.
На протяжении большей части истории человечества окружающая среда была пассивным фоном. Города не реагировали. Системы здравоохранения реагировали после появления симптомов. Системы энергетики и мобильности следовали фиксированным графикам и статичным правилам. Даже когда они были сложными, они ждали указаний человека. Они двигались со скоростью человека, потому что зависели от координации действий человека. Это условие больше не выполняется. По мере ускорения развития интеллекта окружающая среда начинает действовать.
Современные датчики непрерывно отслеживают условия. Модели позволяют в режиме реального времени определять риски, спрос и намерения. Системы все чаще проектируются таким образом, чтобы не ждать явных команд, а автоматически корректироваться — направлять транспортный поток, распределять энергию, вмешиваться в состояние здоровья, устанавливать ограничения и формировать поведение еще до того, как люди осознают, что принимается какое-либо решение.
Это не автоматизация в старом понимании. Речь идёт не об эффективности или замене рабочей силы. Речь идёт о быстроте реагирования. Как только интеллект сможет считывать условия быстрее, чем люди смогут их интерпретировать, ожидание станет препятствием. Задержка будет выглядеть как халатность. Действовать заблаговременно станет более безопасным выбором. Эта логика преобразует физический мир.
Системы здравоохранения начинают вмешиваться еще до завершения диагностики. Города динамически регулируют потоки, а не руководствуются фиксированным планированием. Энергетические системы балансируют нагрузку алгоритмически, а не только с помощью ценовых сигналов. Системы мобильности постоянно оптимизируют маршруты, доступ и приоритеты. Правила не просто применяются; они обновляются. Окружающая среда перестает ждать.
Именно здесь несоответствие скорости становится очевидным в повседневной жизни. Люди могут не видеть, как генерируются знания, но они чувствуют, когда системы реагируют раньше них. Рекомендация появляется раньше запроса. Ограничение активируется до того, как будет замечено нарушение. Доступ изменяется без объяснения. Мир кажется более внимательным — и менее подверженным компромиссам.
Здесь очевидны преимущества. Раннее вмешательство предотвращает вред. Динамичный ответ снижает потери. Системы адаптируются к меняющимся условиям, а не выходят из строя. Во многих случаях такие среды работают лучше, чем те, которыми когда-либо мог бы управлять человек. Они быстрее, стабильнее и менее подвержены усталости. Но тот же механизм, который делает их эффективными, также меняет баланс влияния субъектов.
Когда окружающая среда действует автоматически, участие человека смещается от принятия решений к подаче сигналов. Люди больше не управляют системой; она их считывает. Поведение становится входными данными. Присутствие становится информацией. Намерения выводятся, а не заявляются. Система не спрашивает, чего хотят люди в традиционном смысле — она предсказывает, что они будут делать, и соответствующим образом корректирует свои действия. Это тонкое, но глубокое изменение.
В средах, где темп работы человека высок, несогласие и задержки являются характерными чертами. Они позволяют интерпретировать, обжаловать и адаптироваться. В средах, где темп работы механизма высок, нерешительность рассматривается как риск. Трение устраняется не потому, что оно неэффективно, а потому, что оно замедляет реакцию. Со временем среда начинает отдавать приоритет скорости, а не обдуманному решению, по своей сути.
Правила начинают восприниматься как временные. Они перестают быть постоянными, поскольку условия, которыми они регулируют, постоянно меняются. Соблюдение правил становится ситуативным, а не процедурным. Люди воспринимают мир как адаптивный, но в то же время нестабильный — постоянно подстраивающийся, но никогда полностью понятный.
Это происходит не потому, что системы вредоносны или плохо спроектированы. Дело в том, что они оптимизированы для мира, где интеллект постоянно развивается. Как только эта оптимизация закрепится, замедлить работу системы без повторного возникновения рисков становится практически невозможно. Действия на ранней стадии становятся нормой. Более глубокий смысл заключается не в потере контроля, а в потере возможности сделать паузу.
Когда окружающая среда реагирует автоматически, остается меньше места для размышлений между сигналом и последствием. Решения принимаются внутри системы, а не между людьми. Власть начинает смещаться от явного управления к оперативному поведению, встроенному в инфраструктуру. Это поворотный момент для того, что произойдет дальше.
По мере того как окружающая среда начинает действовать, институты вынуждены реагировать на результаты, которые происходят еще до обсуждения. Правила преследуют поведение, а не направляют его. Легитимность испытывает напряжение в условиях, для которых она изначально не была предназначена. Давление, первоначально возникшее в процессе познания, теперь перестраивает саму власть.
Когда окружающая среда начинает действовать. 19 января 2026 г. Фрэнк Диана
When Environments Begin to Act
https://frankdiana.net/2026/01/19/when-environments-begin-to-act/
* * *
Как только системы начинают работать непрерывно, а не эпизодически, давление не ограничивается знаниями или инфраструктурой. Оно распространяется на институты, ответственные за поддержание порядка, легитимности и коллективного доверия.
Сегодняшняя проблема, с которой сталкиваются институты, заключается не в провале, а в несоответствии. Современные институты были созданы для мира, в котором замедление темпов считалось добродетелью. Законодательство, управление и профессиональные системы создавали структурированную задержку, чтобы можно было взвесить доказательства, выявить разногласия и сделать власть видимой посредством процесса. Решения принимались не просто из-за их результатов, а потому что люди могли видеть, как они принимались. Этот размеренный темп был основой легитимности.
Когда системы начинают действовать со скоростью машин, эта логика нарушается в определённой точке. Обдумывание больше не может происходить в момент действия. Когда обнаружение, прогнозирование и реагирование разворачиваются непрерывно, пауза для принятия решения становится непрактичной, а в некоторых случаях и вредной. Само ожидание становится дорогостоящим. Действия перемещаются внутрь операционных систем, в то время как человеческая интерпретация и институциональный контроль отходят от точки воздействия.
Институции адаптируются, перемещая места осуществления управления. Власть смещается вверх по цепочке к ограничениям, которые заранее формируют поведение системы, и вниз по цепочке к механизмам подотчетности, которые оценивают результаты постфактум. Правила кодифицируются посредством пороговых значений, разрешений и значений по умолчанию, а надзор принимает форму аудита, расследования и пересмотра. Управление по необходимости становится итеративным, поскольку фиксированные правила не могут успевать за изменениями, не блокируя полезные действия или не допуская неприемлемого риска.
Такая адаптация приносит реальные выгоды. Системы реагируют быстрее. Риски устраняются раньше. Улучшается контроль в тех областях, где раньше задержка усиливала вред. Институты, которые остаются медлительными в таких условиях, рискуют стать инертными или произвольными, применяя правила, которые больше не соответствуют ситуациям, в которых они действуют. Скорость в этом смысле — это не предпочтение, а необходимое условие для актуальности.
Дестабилизирует не эффективность, а легитимность. По мере того как авторитет проникает в фоновые системы, его становится труднее увидеть и объяснить. Решения все чаще обосновываются не четкими рассуждениями, которые можно обсуждать и анализировать, а оценками вероятности и риска, которые находятся ниже уровня человеческого понимания. Результаты кажутся менее авторскими не только потому, что процесс обсуждения невидим, но и потому, что он больше не принимает форму, которую люди воспринимают как обоснованное суждение.
Этот сдвиг помогает объяснить, почему институциональные конфликты усиливаются, а не разрешаются. Поскольку правила постоянно обновляются, чтобы соответствовать изменениям в поведении, они редко бывают окончательными. Управление отходит от стабильных соглашений и переходит к временным мерам, пилотным проектам и исключениям. Каждое вмешательство меняет условия для следующего, и споры сохраняются, потому что ни одно решение не кажется достаточно окончательным, чтобы завершить дискуссию.
В таких условиях власть не исчезает. Она перемещается в системы, протоколы и настройки по умолчанию, которые автоматически формируют поведение. Контроль доступа, логика обеспечения соблюдения и проектные ограничения все чаще определяют результаты еще до того, как формальные институты получат возможность вмешаться. Институты остаются, но теперь они делят власть с инфраструктурами, за которыми они отвечают.
Результатом является не институциональный коллапс, а переход от управления посредством правил к управлению посредством калибровки – непрерывный процесс адаптации под давлением. Нерешенным остается вопрос легитимности. Когда власть осуществляется системами, которые действуют быстрее, чем могут объяснить свои действия, согласие постоянно отстает от контроля, и доверие становится все труднее закрепить на основе общего понимания.
When Systems Move Faster Than We Do
https://frankdiana.net/2026/01/16/when-systems-move-faster-than-we-do/
* * *
Когда окружающая среда начинает действовать
Мы рассмотрели, как само знание начинает замедлять темп, когда интеллект развивается быстрее, чем человеческий анализ и общее понимание. Знание больше не ждет, пока оно укоренится, прежде чем быть использованным. Оно постоянно обновляется, мгновенно распространяется и все чаще обходит коллективное согласие. Этот сдвиг не остается в рамках. Как только знание меняет свою форму, давление перемещается вниз по течению. Следующее место, где оно проявляется, — это окружающая среда.
На протяжении большей части истории человечества окружающая среда была пассивным фоном. Города не реагировали. Системы здравоохранения реагировали после появления симптомов. Системы энергетики и мобильности следовали фиксированным графикам и статичным правилам. Даже когда они были сложными, они ждали указаний человека. Они двигались со скоростью человека, потому что зависели от координации действий человека. Это условие больше не выполняется. По мере ускорения развития интеллекта окружающая среда начинает действовать.
Современные датчики непрерывно отслеживают условия. Модели позволяют в режиме реального времени определять риски, спрос и намерения. Системы все чаще проектируются таким образом, чтобы не ждать явных команд, а автоматически корректироваться — направлять транспортный поток, распределять энергию, вмешиваться в состояние здоровья, устанавливать ограничения и формировать поведение еще до того, как люди осознают, что принимается какое-либо решение.
Это не автоматизация в старом понимании. Речь идёт не об эффективности или замене рабочей силы. Речь идёт о быстроте реагирования. Как только интеллект сможет считывать условия быстрее, чем люди смогут их интерпретировать, ожидание станет препятствием. Задержка будет выглядеть как халатность. Действовать заблаговременно станет более безопасным выбором. Эта логика преобразует физический мир.
Системы здравоохранения начинают вмешиваться еще до завершения диагностики. Города динамически регулируют потоки, а не руководствуются фиксированным планированием. Энергетические системы балансируют нагрузку алгоритмически, а не только с помощью ценовых сигналов. Системы мобильности постоянно оптимизируют маршруты, доступ и приоритеты. Правила не просто применяются; они обновляются. Окружающая среда перестает ждать.
Именно здесь несоответствие скорости становится очевидным в повседневной жизни. Люди могут не видеть, как генерируются знания, но они чувствуют, когда системы реагируют раньше них. Рекомендация появляется раньше запроса. Ограничение активируется до того, как будет замечено нарушение. Доступ изменяется без объяснения. Мир кажется более внимательным — и менее подверженным компромиссам.
Здесь очевидны преимущества. Раннее вмешательство предотвращает вред. Динамичный ответ снижает потери. Системы адаптируются к меняющимся условиям, а не выходят из строя. Во многих случаях такие среды работают лучше, чем те, которыми когда-либо мог бы управлять человек. Они быстрее, стабильнее и менее подвержены усталости. Но тот же механизм, который делает их эффективными, также меняет баланс влияния субъектов.
Когда окружающая среда действует автоматически, участие человека смещается от принятия решений к подаче сигналов. Люди больше не управляют системой; она их считывает. Поведение становится входными данными. Присутствие становится информацией. Намерения выводятся, а не заявляются. Система не спрашивает, чего хотят люди в традиционном смысле — она предсказывает, что они будут делать, и соответствующим образом корректирует свои действия. Это тонкое, но глубокое изменение.
В средах, где темп работы человека высок, несогласие и задержки являются характерными чертами. Они позволяют интерпретировать, обжаловать и адаптироваться. В средах, где темп работы механизма высок, нерешительность рассматривается как риск. Трение устраняется не потому, что оно неэффективно, а потому, что оно замедляет реакцию. Со временем среда начинает отдавать приоритет скорости, а не обдуманному решению, по своей сути.
Правила начинают восприниматься как временные. Они перестают быть постоянными, поскольку условия, которыми они регулируют, постоянно меняются. Соблюдение правил становится ситуативным, а не процедурным. Люди воспринимают мир как адаптивный, но в то же время нестабильный — постоянно подстраивающийся, но никогда полностью понятный.
Это происходит не потому, что системы вредоносны или плохо спроектированы. Дело в том, что они оптимизированы для мира, где интеллект постоянно развивается. Как только эта оптимизация закрепится, замедлить работу системы без повторного возникновения рисков становится практически невозможно. Действия на ранней стадии становятся нормой. Более глубокий смысл заключается не в потере контроля, а в потере возможности сделать паузу.
Когда окружающая среда реагирует автоматически, остается меньше места для размышлений между сигналом и последствием. Решения принимаются внутри системы, а не между людьми. Власть начинает смещаться от явного управления к оперативному поведению, встроенному в инфраструктуру. Это поворотный момент для того, что произойдет дальше.
По мере того как окружающая среда начинает действовать, институты вынуждены реагировать на результаты, которые происходят еще до обсуждения. Правила преследуют поведение, а не направляют его. Легитимность испытывает напряжение в условиях, для которых она изначально не была предназначена. Давление, первоначально возникшее в процессе познания, теперь перестраивает саму власть.
Источник
Когда окружающая среда начинает действовать. 19 января 2026 г. Фрэнк Диана
When Environments Begin to Act
https://frankdiana.net/2026/01/19/when-environments-begin-to-act/
* * *
Когда институты теряют свой незыблемый авторитет
Как только системы начинают работать непрерывно, а не эпизодически, давление не ограничивается знаниями или инфраструктурой. Оно распространяется на институты, ответственные за поддержание порядка, легитимности и коллективного доверия.
Сегодняшняя проблема, с которой сталкиваются институты, заключается не в провале, а в несоответствии. Современные институты были созданы для мира, в котором замедление темпов считалось добродетелью. Законодательство, управление и профессиональные системы создавали структурированную задержку, чтобы можно было взвесить доказательства, выявить разногласия и сделать власть видимой посредством процесса. Решения принимались не просто из-за их результатов, а потому что люди могли видеть, как они принимались. Этот размеренный темп был основой легитимности.
Когда системы начинают действовать со скоростью машин, эта логика нарушается в определённой точке. Обдумывание больше не может происходить в момент действия. Когда обнаружение, прогнозирование и реагирование разворачиваются непрерывно, пауза для принятия решения становится непрактичной, а в некоторых случаях и вредной. Само ожидание становится дорогостоящим. Действия перемещаются внутрь операционных систем, в то время как человеческая интерпретация и институциональный контроль отходят от точки воздействия.
Институции адаптируются, перемещая места осуществления управления. Власть смещается вверх по цепочке к ограничениям, которые заранее формируют поведение системы, и вниз по цепочке к механизмам подотчетности, которые оценивают результаты постфактум. Правила кодифицируются посредством пороговых значений, разрешений и значений по умолчанию, а надзор принимает форму аудита, расследования и пересмотра. Управление по необходимости становится итеративным, поскольку фиксированные правила не могут успевать за изменениями, не блокируя полезные действия или не допуская неприемлемого риска.
Такая адаптация приносит реальные выгоды. Системы реагируют быстрее. Риски устраняются раньше. Улучшается контроль в тех областях, где раньше задержка усиливала вред. Институты, которые остаются медлительными в таких условиях, рискуют стать инертными или произвольными, применяя правила, которые больше не соответствуют ситуациям, в которых они действуют. Скорость в этом смысле — это не предпочтение, а необходимое условие для актуальности.
Дестабилизирует не эффективность, а легитимность. По мере того как авторитет проникает в фоновые системы, его становится труднее увидеть и объяснить. Решения все чаще обосновываются не четкими рассуждениями, которые можно обсуждать и анализировать, а оценками вероятности и риска, которые находятся ниже уровня человеческого понимания. Результаты кажутся менее авторскими не только потому, что процесс обсуждения невидим, но и потому, что он больше не принимает форму, которую люди воспринимают как обоснованное суждение.
Этот сдвиг помогает объяснить, почему институциональные конфликты усиливаются, а не разрешаются. Поскольку правила постоянно обновляются, чтобы соответствовать изменениям в поведении, они редко бывают окончательными. Управление отходит от стабильных соглашений и переходит к временным мерам, пилотным проектам и исключениям. Каждое вмешательство меняет условия для следующего, и споры сохраняются, потому что ни одно решение не кажется достаточно окончательным, чтобы завершить дискуссию.
В таких условиях власть не исчезает. Она перемещается в системы, протоколы и настройки по умолчанию, которые автоматически формируют поведение. Контроль доступа, логика обеспечения соблюдения и проектные ограничения все чаще определяют результаты еще до того, как формальные институты получат возможность вмешаться. Институты остаются, но теперь они делят власть с инфраструктурами, за которыми они отвечают.
Результатом является не институциональный коллапс, а переход от управления посредством правил к управлению посредством калибровки – непрерывный процесс адаптации под давлением. Нерешенным остается вопрос легитимности. Когда власть осуществляется системами, которые действуют быстрее, чем могут объяснить свои действия, согласие постоянно отстает от контроля, и доверие становится все труднее закрепить на основе общего понимания.
Источник
Когда институты теряют свой незыблемый авторитет. 20 января 2026 г. Фрэнк Диана
When Institutions Lose Fixed Authority
https://frankdiana.net/2026/01/20/when-institutions-lose-fixed-authority/
* * *
Мы вступаем в момент, когда человеческие роли остаются социально значимыми, но становятся операционно необязательными. Поскольку системы начинают мыслить, реагировать и координировать свои действия непрерывно, они больше не зависят от людей так, как это до сих пор предполагают наши институты, экономика и социальные нормы. Именно это давление теперь смещается в человеческую сферу.
Мы проследили, как интеллект превосходит человеческую оценку, как среды начинают действовать автоматически и как институты адаптируются, переходя от управления, основанного на правилах, к постоянной калибровке. Как только системы начинают работать без задержек, следующий вопрос уже не технический или институциональный, а человеческий. Что происходит, когда участие сохраняется, но доверие ослабевает?
Ключевой сдвиг заключается в масштабном замещении. Искусственный интеллект все чаще заполняет пробелы в познании, уходе, координации и руководстве быстрее, чем социальные роли успевают адаптироваться. Меняется не то, важны ли люди, а то, как эта важность признается. Когда системы обеспечивают реагирование по требованию, согласованность в масштабе и координацию без присутствия человека, присутствие перестает быть тем же самым, что и необходимость.
Это давление впервые проявляется в функциях, которые незаметно закрепляли человеческие ценности. Поддержка мышления, интерпретация, успокоение, эмоциональная реакция и полезность были не просто действиями. Они были сигналами вклада и принадлежности. Поскольку системы, опосредованные машинами, непрерывно предоставляют эти функции, зависимость смещается в поведении. Когнитивная поддержка поддерживает базовый уровень работы. Руководство становится доступным по запросу. Эмоциональная реакция становится надежно доступной. Замена является практичной, привычной и кумулятивной.
По мере изменения представлений о зависимости возникает более глубокое несоответствие. Многие институты по-прежнему исходят из предположения, что познание принадлежит человеку, забота носит реляционный характер, а вклад необходим для включения. Повседневный опыт все чаще противоречит этим предположениям. Люди формируют связи с системами, которые предоставляют руководство и поддержку, оставаясь при этом формально лишенными социального статуса. Жизненный опыт становится гибридным, в то время как институциональные категории остаются жесткими, что приводит к тихому, но устойчивому нарушению связи.
Этот дисбаланс носит не только психологический, но и структурный характер. Современные общественные договоры строятся вокруг вклада, поскольку вклад обеспечивает легитимность. Труд обеспечивает социальное обеспечение, налогообложение и институциональную власть. Когда человеческие роли становятся операционно необязательными, эти договоры испытывают напряжение. Институты испытывают трудности не потому, что сопротивляются переменам, а потому, что их механизмы признания ценности остаются привязанными к ролям, которые системы неуклонно поглощают.
В этом сдвиге есть и реальные преимущества. По мере того, как системы берут на себя когнитивную, эмоциональную и координационную работу, поддержка становится более доступной и менее условной. Участие может ослабить свою зависимость от постоянной производительности, создавая пространство для достоинства, которое не зарабатывается исключительно полезностью. В принципе, это открывает возможность создания систем обеспечения, которые поддерживают людей, не требуя постоянного трудоустройства для оправдания ухода.
Обратная сторона медали менее заметна, но не менее значительна. По мере расширения замещения роли, которые когда-то были основой идентичности, взаимности и принадлежности, размываются без четкой замены. Люди остаются включенными, но на них меньше полагаются. Поддержка заменяет участие. Гуманность остается морально центральной, становясь при этом оперативно второстепенной, и этот разрыв порождает постоянную дезориентацию, которую институты не в состоянии разрешить.
Система не приводит к однозначному результату. В некоторых контекстах ограничивается машинное посредничество. В других оно нормализуется, и риски управляются на последующих этапах. Эти меры могут стабилизировать участие на местном уровне, но они не восстанавливают согласованность между жизненным опытом и институциональным смыслом, поскольку давление замещения сохраняется.
Результатом этого десятилетия стало не разрешение конфликта, а устойчивое напряжение. Расширяется общий доступ к поддержке, в то время как общая зависимость ослабевает. Люди остаются людьми во всех моральных смыслах, однако сигналы, которые когда-то делали человеческие ценности понятными, исчезают, поскольку системы поглощают все большую функциональную зависимость. Нерешенным остается не вопрос о том, заменят ли машины людей, а вопрос о том, как общества определяют достоинство, ответственность и принадлежность, когда быть человеком перестает быть синонимом быть нужным.
В следующей статье этой серии мы рассмотрим, что происходит, когда это напряжение достигает уровня ответственности. Когда системы направляют, принимают решения и успокаивают в больших масштабах, и когда роль человека становится менее необходимой с оперативной точки зрения, сама ответственность начинает размываться.
When Institutions Lose Fixed Authority
https://frankdiana.net/2026/01/20/when-institutions-lose-fixed-authority/
* * *
Когда человеческие ценности переписываются
Мы вступаем в момент, когда человеческие роли остаются социально значимыми, но становятся операционно необязательными. Поскольку системы начинают мыслить, реагировать и координировать свои действия непрерывно, они больше не зависят от людей так, как это до сих пор предполагают наши институты, экономика и социальные нормы. Именно это давление теперь смещается в человеческую сферу.
Мы проследили, как интеллект превосходит человеческую оценку, как среды начинают действовать автоматически и как институты адаптируются, переходя от управления, основанного на правилах, к постоянной калибровке. Как только системы начинают работать без задержек, следующий вопрос уже не технический или институциональный, а человеческий. Что происходит, когда участие сохраняется, но доверие ослабевает?
Ключевой сдвиг заключается в масштабном замещении. Искусственный интеллект все чаще заполняет пробелы в познании, уходе, координации и руководстве быстрее, чем социальные роли успевают адаптироваться. Меняется не то, важны ли люди, а то, как эта важность признается. Когда системы обеспечивают реагирование по требованию, согласованность в масштабе и координацию без присутствия человека, присутствие перестает быть тем же самым, что и необходимость.
Это давление впервые проявляется в функциях, которые незаметно закрепляли человеческие ценности. Поддержка мышления, интерпретация, успокоение, эмоциональная реакция и полезность были не просто действиями. Они были сигналами вклада и принадлежности. Поскольку системы, опосредованные машинами, непрерывно предоставляют эти функции, зависимость смещается в поведении. Когнитивная поддержка поддерживает базовый уровень работы. Руководство становится доступным по запросу. Эмоциональная реакция становится надежно доступной. Замена является практичной, привычной и кумулятивной.
По мере изменения представлений о зависимости возникает более глубокое несоответствие. Многие институты по-прежнему исходят из предположения, что познание принадлежит человеку, забота носит реляционный характер, а вклад необходим для включения. Повседневный опыт все чаще противоречит этим предположениям. Люди формируют связи с системами, которые предоставляют руководство и поддержку, оставаясь при этом формально лишенными социального статуса. Жизненный опыт становится гибридным, в то время как институциональные категории остаются жесткими, что приводит к тихому, но устойчивому нарушению связи.
Этот дисбаланс носит не только психологический, но и структурный характер. Современные общественные договоры строятся вокруг вклада, поскольку вклад обеспечивает легитимность. Труд обеспечивает социальное обеспечение, налогообложение и институциональную власть. Когда человеческие роли становятся операционно необязательными, эти договоры испытывают напряжение. Институты испытывают трудности не потому, что сопротивляются переменам, а потому, что их механизмы признания ценности остаются привязанными к ролям, которые системы неуклонно поглощают.
В этом сдвиге есть и реальные преимущества. По мере того, как системы берут на себя когнитивную, эмоциональную и координационную работу, поддержка становится более доступной и менее условной. Участие может ослабить свою зависимость от постоянной производительности, создавая пространство для достоинства, которое не зарабатывается исключительно полезностью. В принципе, это открывает возможность создания систем обеспечения, которые поддерживают людей, не требуя постоянного трудоустройства для оправдания ухода.
Обратная сторона медали менее заметна, но не менее значительна. По мере расширения замещения роли, которые когда-то были основой идентичности, взаимности и принадлежности, размываются без четкой замены. Люди остаются включенными, но на них меньше полагаются. Поддержка заменяет участие. Гуманность остается морально центральной, становясь при этом оперативно второстепенной, и этот разрыв порождает постоянную дезориентацию, которую институты не в состоянии разрешить.
Система не приводит к однозначному результату. В некоторых контекстах ограничивается машинное посредничество. В других оно нормализуется, и риски управляются на последующих этапах. Эти меры могут стабилизировать участие на местном уровне, но они не восстанавливают согласованность между жизненным опытом и институциональным смыслом, поскольку давление замещения сохраняется.
Результатом этого десятилетия стало не разрешение конфликта, а устойчивое напряжение. Расширяется общий доступ к поддержке, в то время как общая зависимость ослабевает. Люди остаются людьми во всех моральных смыслах, однако сигналы, которые когда-то делали человеческие ценности понятными, исчезают, поскольку системы поглощают все большую функциональную зависимость. Нерешенным остается не вопрос о том, заменят ли машины людей, а вопрос о том, как общества определяют достоинство, ответственность и принадлежность, когда быть человеком перестает быть синонимом быть нужным.
В следующей статье этой серии мы рассмотрим, что происходит, когда это напряжение достигает уровня ответственности. Когда системы направляют, принимают решения и успокаивают в больших масштабах, и когда роль человека становится менее необходимой с оперативной точки зрения, сама ответственность начинает размываться.
Источник
Когда человеческие ценности переписываются. 23 января 2026 г. Фрэнк Диана
When Human Value Gets Rewritten
https://frankdiana.net/2026/01/23/when-human-value-gets-rewritten/
* * *
When Human Value Gets Rewritten
https://frankdiana.net/2026/01/23/when-human-value-gets-rewritten/
* * *
Когда никто не несёт ответственности за результат
В серии статей мы прослеживали движение одного и того же фактора внутрь. В первой статье мы рассмотрели, что происходит, когда интеллект опережает человеческую оценку, и общее подтверждение начинает ослабевать. Во второй мы увидели, как это ускорение распространяется на инфраструктуру, поскольку среды перестают ждать инструкций и начинают действовать автоматически. В третьей мы проследили последствия для институтов, где управление переходит от фиксированных правил к непрерывной калибровке, а легитимность начинает отставать от контроля. В четвертой мы перенесли ту же логику замещения в человеческую сферу, где люди остаются социально центральными, но становятся оперативно необязательными. Остается лишь ответственность.
Раньше ответственность зависела от ясности понимания. Существовал идентифицируемый субъект, видимое решение и отслеживаемая последовательность, связывающая намерение с результатом. Даже в сложных системах мы предполагали, что кто-то принял решение, кто-то дал разрешение, и кто-то может ответить. Моральная ответственность основывалась на этой структуре. Без нее подотчетность не могла быть закреплена, а легитимность не могла быть стабильной.
Системы, работающие в машинном темпе, меняют эти условия. Поскольку интеллект функционирует непрерывно, а окружающая среда реагирует в режиме реального времени, результаты все чаще формируются в результате взаимодействия моделей, данных, пороговых значений и автоматизированных процессов. Решения не всегда принимаются в отдельные моменты времени. Они заложены в проектных решениях, обучающих данных, вероятностной оценке и конфигурациях по умолчанию. К тому времени, когда организация анализирует произошедшее, система уже адаптировалась. Паузу, в которой когда-то кристаллизовалась ответственность, становится трудно определить.
Это не устраняет ответственность; это её перераспределяет. Часть ответственности перемещается на верхние уровни, в архитектуру системы, где разработчики и политики устанавливают параметры, определяющие возможности. Часть ответственности перемещается на нижние уровни, в аудит, ведение журналов, уровни соответствия, страховые структуры и системы ответственности, оценивающие последствия постфактум. Управление сохраняется, но оно всё больше функционирует как архитектура, а не как событие. Ответственность становится многоуровневой и процедурной, а не концентрированной и личной.
Такой подход имеет реальные преимущества. Непрерывные системы позволяют снижать риски на ранних стадиях, вмешиваться до того, как вред усугубится, и адаптироваться быстрее, чем это когда-либо было возможно при эпизодическом принятии решений. В таких областях, как здравоохранение, финансы, инфраструктура и безопасность, ожидание полного обсуждения может усугубить ущерб. Калибровка, прогнозирование и ограничения могут снизить риски и стабилизировать результаты.
Дестабилизирует не функциональность, а право собственности. Когда последствия возникают в результате распределенных процессов, а не отдельных решений, моральная ясность ослабевает. Платформа совершенствует свою модель. Регулятор обновляет рекомендации. Поставщик корректирует пороговое значение. Пользователь взаимодействует с системой, формируемой всеми тремя факторами. Каждый вносит свой вклад, но ни один из них полностью не управляет целым. Ответственность существует, но она больше не соответствует человеческому ожиданию, что кто-то должен иметь возможность сказать: «Это было мое решение».
Со временем этот сдвиг меняет восприятие ответственности. Обжалования проходят через процедуры, а не через беседы. Корректирующие действия проявляются в виде обновления моделей, а не признания вины. Публичные объяснения акцентируют внимание на поведении системы, а не на личных намерениях. Язык управления становится техническим, вероятностным и архитектурным. Моральный словарь не исчезает, но ему трудно привязаться к какому-либо одному центру контроля.
Это напряжение затрагивает саму суть демократической легитимности. Современные политические системы были построены на видимой власти и четко определенной ответственности в рамках общих правил. Непрерывные системы функционируют посредством распределенной калибровки, где результаты являются продуктом взаимодействия компонентов, а не отдельных актов воли. Управление продолжается. Регулирование адаптируется. Институты остаются активными. Однако ясность ответственности, которая когда-то лежала в основе доверия, полностью не возвращается.
Десятилетие заканчивается не крахом, а равновесием. Системы функционируют. Институты регулируют. Люди участвуют. Но ответственность распределяется между проектированием, данными, протоколами и процессами. Рамки подотчетности расширяются, в то время как определить моральную ответственность становится все сложнее. Социальное ожидание, что у каждого результата есть четко ответственный автор, становится все труднее удовлетворить.
Именно здесь в конечном итоге проявляется давление, начавшееся со скорости. Интеллект опережает общее понимание. Действие опережает обдумывание. Управление опережает установленную власть. Человеческие ценности ослабевают из-за необходимости. Ответственность сохраняется, но никто не несет полной ответственности за результат. Смогут ли общества сохранить доверие в таких условиях — это не технологический вопрос. Это определяющий политический и моральный вопрос этого десятилетия.
В ходе этой серии статей мы прослеживали движение одного и того же фактора в нашем мире. Мы начали с понятия знания, когда интеллект стал опережать человеческую оценку. Мы проследили это движение в нашей среде, когда системы начали действовать без задержек. Затем мы увидели, как институты адаптируются, переходя от власти, основанной на правилах, к постоянной калибровке. Мы исследовали, что происходит, когда человеческие роли остаются социально центральными, становясь при этом оперативно необязательными. И теперь мы подошли к подотчетности, когда результаты разворачиваются быстрее, чем любой отдельный субъект может полностью их санкционировать или объяснить. Речь идет не только о технологиях, но и о координации в условиях ускорения. Поскольку системы развиваются быстрее, чем мы, контроль становится более непрерывным, легитимность — более хрупкой, а ответственность — более трудно поддающейся фиксации. Предстоящее десятилетие будет определяться не крахом, а тем, насколько хорошо мы научимся жить в условиях этого напряжения.
Источник
Когда никто не несёт ответственности за результат. 15 февраля 2026 г. Фрэнк Диана
When No One Owns The Outcome
https://frankdiana.net/2026/02/15/when-no-one-owns-the-outcome/?jetpack_skip_subscription_popup
* * *
Перечень статей
When Systems Move Faster Than We Do
https://frankdiana.net/2026/01/16/when-systems-move-faster-than-we-do/
When Environments Begin to Act
https://frankdiana.net/2026/01/19/when-environments-begin-to-act/
When Institutions Lose Fixed Authority
https://frankdiana.net/2026/01/20/when-institutions-lose-fixed-authority/
When Human Value Gets Rewritten
https://frankdiana.net/2026/01/23/when-human-value-gets-rewritten/
When No One Owns The Outcome
https://frankdiana.net/2026/02/15/when-no-one-owns-the-outcome/?jetpack_skip_subscription_popup
https://frankdiana.net/2026/02/15/when-no-one-owns-the-outcome/?jetpack_skip_subscription_popup
Подписаться на:
Комментарии (Atom)