Следующий этап ИИ‑бума: от гонки за GPU к снижению стоимости запросов
После двух лет инвестиций в GPU‑железо рынок ИИ переключается на эффективность: стоимость запроса, энергопотребление и масштабируемость становятся главными драйверами роста.
В статье Habr AI рассматривается, как меняется фокус инвестиций в индустрии искусственного интеллекта. В первые два года «ИИ‑бума» (AI boom) была сосредоточена на покупке мощного графического железа – GPU‑серверов, специализированных чипов и облачных кластеров. Инвесторы охотно платили премиальные цены, считая, что только максимальная вычислительная мощность гарантирует конкурентное преимущество.
Однако уже в июне 2026 года Citrini Research опубликовала отчёт, в котором заявлено, что рынок вступает во вторую фазу развития. Главным драйвером теперь становится стоимость одного запроса (cost‑per‑inference), энергетическая эффективность и способность масштабировать ИИ‑решения дешевле конкурентов. Традиционный подход «больше GPU – лучше результат» уступает стратегии оптимизации вычислений: квантование моделей, distillation, использование inference‑оптимизированных чипов (например, ускорители от Graphcore, Habana) и сервер‑лес‑без‑GPU решений.
Важным аспектом становится также экономика облачных сервисов: провайдеры предлагают модели «pay‑as‑you‑go», а стартапы разрабатывают платформы для автоматического подбора оптимального уровня точности и стоимости. По оценкам Citrini, уже в 2027 году более 40 % новых инвестиций в ИИ будут направлены в проекты, снижающие стоимость запросов, а не в покупку новых GPU‑парков.
Эти изменения уже влияют на рынок труда: растёт спрос на инженеров, умеющих оптимизировать модели и работать с «эффективными» стеками (TensorRT, ONNX Runtime, OpenVINO). Для компаний это шанс уменьшить операционные расходы и быстрее выводить продукты на рынок, а для инвесторов – новые возможности в сервисах оптимизации и управляемых платформах.
Для разработчиков это сигнал переключиться с гонки за мощностью на оптимизацию: квантование, distillation и выбор более дешевых инференс‑чипов становятся обязательными навыками. Студентам стоит изучать инструменты вроде TensorRT и ONNX Runtime, чтобы уметь снижать cost‑per‑inference. Инвесторам интереснее будет поддерживать сервисы, автоматизирующие эту оптимизацию, чем просто финансировать покупку GPU‑ферм. Риски связаны с быстрым устареванием дорогостоящего железа и необходимостью переобучать модели под новые ограничения.
