Парадокс ИИ-рынка: почему 95% корпоративных GPU простаивают, пока стартапы ищут вычислительные мощности

Недавние финансовые отчеты OpenAI демонстрируют тревожную картину для всей индустрии искусственного интеллекта. Компания не достигла внутренних целей по выручке и количеству пользователей, а прогнозируемые убытки к 2026 году могут составить 14 миллиардов долларов. Финансовый директор Сара Фрайар предупредила, что стремительно растущие расходы на вычисления могут превысить доходы, что ставит под вопрос способность компании финансировать будущие контракты.

Финансовая ловушка масштабирования

Текущая ситуация является симптомом глубокого структурного дисбаланса в технологическом секторе. Компании раздувают свою рыночную стоимость до беспрецедентных уровней и закупают оборудование в объемах, которые не могут эффективно использовать. При оценке в 852 миллиарда долларов рост выручки OpenAI не успевает за затратами на ИТ-инфраструктуру, необходимую для оправдания такой капитализации.

Основной доход генерируется за счет платной подписки на ChatGPT и доступа к API. Однако каждый запрос пользователя требует работы графических процессоров (GPU), из-за чего маржинальность инференса — процесса работы уже обученной модели — остается крайне низкой. В то время как миллиарды долларов тратятся на обучение нейросетей следующего поколения, которые принесут прибыль лишь спустя годы, закупленное оборудование часто простаивает без дела.

95% мощностей в режиме ожидания

Несмотря на заявления крупных игроков о дефиците чипов, реальные данные указывают на избыток неиспользуемых ресурсов. Согласно отчету Cast AI по оптимизации Kubernetes за 2024 год, основанному на анализе 23 тысяч кластеров в облачных сервисах AWS, Google Cloud и Azure, около 95% корпоративных мощностей GPU фактически не задействованы. Миллиарды долларов, вложенные в оборудование, не приносят реальной пользы.

Причины такого низкого коэффициента полезного действия носят структурный характер:

• Планирование под пиковые нагрузки: компании закупают GPU для худших сценариев, что сравнимо со строительством многополосной магистрали, которая пустует 23 часа в сутки.
• Накопление активов: в текущих рыночных условиях владение видеокартами стало сигналом для инвесторов. Корпорации скупают чипы сверх необходимости, превращая их в финансовый актив на балансе, а не в рабочий инструмент.
• Цикличность обучения: процесс тренировки ИИ-моделей требует огромных ресурсов в течение нескольких недель, после чего кластеры могут простаивать до следующего цикла обновления.

Путь к децентрализации и рыночная коррекция

Пока гиганты удерживают простаивающее «железо», небольшие команды разработчиков и стартапы по всему миру сталкиваются с заоблачными ценами на аренду мощностей. Это тормозит инновации в социально значимых сферах. В качестве решения эксперты предлагают переход к распределенным вычислительным сетям, которые соединяют владельцев недогруженного оборудования — от дата-центров до частных лиц — с разработчиками, которым нужны ресурсы.

В таких сетях специальный программный слой объединяет совместимое оборудование в кластеры. Это позволяет запускать рабочие нагрузки на множестве разных машин так, будто они являются единым ресурсом. Владельцы оборудования монетизируют активы, которые иначе бы простаивали, а разработчики получают доступ к вычислениям по более низким ценам.

В обзоре отмечается, что индустрию ИИ ждет неминуемая коррекция. Когда финансовые отчеты заставят компании привести стоимость активов на балансе в соответствие с реальным уровнем их эксплуатации, рынок централизованных облачных провайдеров может столкнуться с трудностями. В этой ситуации более устойчивыми окажутся те проекты, которые уже используют распределенные альтернативы.