AI-компаниям не нужно зарабатывать деньги — им следует перенять опыт у гонконгского метро

作者： Michael Wenye Li

перевод: 深潮 TechFlow

вводный текст от 深潮 TechFlow: В нескольких тысячах миллиардов долларов сгорели ИИ-лаборатории, но никто толком не может объяснить, когда и каким образом эти деньги вернутся. Цены на API падают примерно в 10 раз в год: open source догоняет закрытые разработки, а стоимость обучения только растёт по мере того, как её продолжает «наращивать» отрасль. Эта статья выходит за рамки технологического взгляда и даёт крайне вдохновляющий ответ на основе бизнес-модели метро MTR в Гонконге: перестаньте думать, что нужно зарабатывать на билетах — идите к тому, чтобы владеть объектами недвижимости над станциями.

Они не могут зарабатывать деньги — и сам вопрос поставлен неправильно

Есть бизнес, устроенный так: на старте вкачиваются десятки миллиардов капитала, а дохода — ни на цента. Ценообразование на ключевую услугу вплотную приближено к предельным издержкам. Для пользователей создаётся огромная ценность, но строители почти ничего не могут «удержать» даже в виде мелочи. И при этом приходится постоянно инвестировать в следующее поколение базовой инфраструктуры.

Это не про ИИ-лаборатории — это про крупные железнодорожные системы.

Многие сравнивают железные дороги с ИИ, и у большинства вывод такой: универсальные технологии имеют свойства общественного блага, а коммерческая реализуемость зависит от государственных субсидий.

Я хочу оспорить этот вывод. Потому что в Гонконге MTR (港铁) фактически решила эту проблему. Это один из крайне немногих в мире метрополитенов, которые коммерчески самоокупаются: публичная компания, дивиденды и выплаты процентов, и при этом она не пользуется субсидиями от государства на операционную деятельность.

Финансовая структура один в один

Ключевой железнодорожный бизнес MTR никогда не мог сам себя обеспечивать расширением. 2018 год — лучший год перед пандемией: EBIT транспортного бизнеса составлял 2 млрд гонконгских долларов. А прогнозируемые капитальные затраты на 2024–2026 годы — 87,9 млрд гонконгских долларов, почти целиком направленные на железную дорогу. Железнодорожная прибыль за три пиковых года покрывала лишь 8% капитальных затрат. Доходов от тарифов никогда не хватало, чтобы построить следующую линию — и изначально это не было задумкой.

Тарифы MTR держатся на доступном уровне за счёт механизма корректировки тарифов правительством. Невозможно установить цены настолько высокими, чтобы они возвращали затраты на строительство: так никто не сможет позволить себе поездки, и это противоречит самой сути общественного транспорта. Каждая линия, возможно, и покрывает свои операционные расходы, но никогда не тянет строительство следующей линии за счёт тарифной выручки.

Проблема с ценообразованием на API в ИИ — это зеркальная версия той же дилеммы. Дистилляция и open source-заменители заставляют цены на API падать примерно в 10 раз в год. Любая лаборатория, которая держит цену выше предельных издержек, будет терять объём конкурентам. Каждый конкретный модельный продукт в плоскости инференса способен приносить операционную прибыль, но маржа никогда не сможет «дотянуть» расходы на следующую волну обучения.

Единственное решение, которое работает глобально, — субсидии. Лондонское метро финансирует TfL, китайские высокоскоростные линии несут на себе триллионы долларов долгов: 94% линий не приносят прибыли. И ИИ идёт по той же дороге: CHIPS Act, проект Stargate, инвестиции суверенных фондов и контракты Пентагона. Приватным «дефолтным» финалом становится опора на субсидируемую квазипубличную инфраструктуру.

MTR нашла другой путь.

Железная дорога + недвижимость

Когда MTR строили в 1979 году, проектировщики понимали, что тарифы никогда не вернут затраты на строительство. Поэтому компания была выстроена вокруг совершенно иного предположения: железная дорога повышает стоимость окружающей земли — значит, землю нужно держать у себя в руках.

MTR развивает жильё, офисы и торговые центры над станциями и вокруг них. Так она «конвертирует» в собственные доходы прирост стоимости, создаваемый её инфраструктурой: прибыль от недвижимости возвращает деньги в эксплуатацию железной дороги и финансирует следующую линию. Сегодня у MTR 13 торговых центров, и она управляет проектами застройки над 47 станциями. Основная доля фактической прибыли приходится именно на недвижимость.

Логика предельно ясна: не пытайтесь захватывать ценность из самой услуги железной дороги — владейте теми активами, которые дорожают благодаря железной дороге.

Соответствие в мире ИИ

«Когда ИИ-лаборатории начнут зарабатывать деньги?» и «Когда железная дорога сможет сама себя содержать за счёт тарифов?» — это изоморфные вопросы. Ответ одинаков: никак — и сам вопрос задан неверно.

Одна биотех-стартап-компания использует передовые модели, чтобы отбирать лекарственные химические соединения и тем самым сэкономить два года клинических испытаний. Логистическая компания применяет ИИ, оптимизируя маршруты, и экономит 40 млн долларов на топливе. Независимый разработчик с помощью одной только поставки в выходные завершил проект, на который пятёрке специалистов потребовалось бы три месяца. В каждом случае поставщик модели извлекает через API-оплаты лишь доли процента создаваемой ценности. Поставщик не может просто поднять цену, потому что есть ещё четыре лаборатории и десятки open source-заменителей, предоставляющих примерно сопоставимые возможности. Остаток ценностного потока уходит пользователям и более широкой экономике.

Так устроены общие технологии. Паровая машина, электричество и TCP/IP не принесли их создателям сколько-нибудь значимого дохода.

Урок MTR: больше не пытайтесь заставить тарифы покрывать затраты на строительство — найдите свою «недвижимость».

Четыре варианта-кандидата, в порядке «защитности»

Первым идёт право на развертывание, предоставляемое государством. Правительство даёт лаборатории эксклюзивный доступ к национальным медицинским записям, налоговым системам или оборонной логистике. Накапливаемые в отрасли данные, глубина системной интеграции и регуляторные компетенции — это то, что воспроизводится годами. Именно так работает и механизм MTR: государство выдаёт права на разработку, опираясь на свойства естественной монополии.

Вторым — усиленные RL-вознаграждения за данные. Десятки миллиардов сигналов взаимодействия используются для обучения следующего поколения моделей. В отличие от весов модели (которые обесцениваются из‑за дистилляции), данные RL почти невозможно воспроизвести, и при этом накопление происходит по принципу межпоколенческой сложной нарастания. Его нельзя напрямую монетизировать, но это как земельный участок: он растёт в цене, хотя ещё не освоен.

Третьим — интеграция в формате «предварительного развертывания». Вместо того чтобы продавать интерфейс модели консалтинговой компании и отдавать ей «излишек продуктивности», лучше самому владеть от начала до конца всей прослойкой сервиса. Как Palantir встраивает инженеров в государственные учреждения, а не продаёт лицензии на ПО. Лаборатория не взимает API-оплаты с юридических фирм — лаборатория становится юридическим исследовательским сервисом как таковым и тарифицирует по результату поставки, а не по затратам вычислённых токенов. Стоимость переключения будет постоянно нарастать по мере накопления отраслевых данных и институционального знания. Именно это — «торговые центры» MTR: монетизация пассажиропотока, который создаёт железная дорога, а не повышение тарифов для пассажиров.

Четвёртым — хостинг данных государственных наборов. У правительств стран на руках есть большие массивы недоиспользованных данных (медицинские досье, налоговые декларации). Передовая лаборатория, назначенная хостером, получает эксклюзивный доступ и может обучать модели и собирать продукты на основе этих данных. Но это создаёт частно-государственную монополию на данные, что требует строгой архитектуры управления: чёткие границы использования, возврат выгод обществу, независимый надзор и реально принудительные механизмы ответственности.

Перезадаём вопрос

Те лаборатории, которым удаётся выжить, — это не те, что делают API прибыльным, а те, что уже сейчас нашли свою «недвижимость поверх станции» и начали строить. API — это как железная дорога: он никогда не будет зарабатывать достаточно. Деньги — вокруг железной дороги, в тех активах, которые дорожают.

Проблема на уровне политики тоже меняется: вместо субсидирования обучения государству лучше проектировать институциональные механизмы (рамки развертывания, структуры хостинга данных, стандарты измерения продуктивности), чтобы лаборатории могли захватывать остаточную ценность, создаваемую их инфраструктурой.

И напоследок — ирония. Дискуссии об ИИ-политике доминируют рамки, созданные США и Китаем: американские лаборатории со свободным рынком против китайских «национальных чемпионов», поддерживаемых государством. Самая полезная модель института, вероятно, не окажется ни той, ни другой. Ею может быть гонконгская модель: государственно-частное смешение с 45‑летней историей, коммерчески управляемое, самофинансирование достигается за счёт институционального дизайна, а не идеологии.