Виклики витрат штучного інтелекту: як економіка інфраструктури змінить наступний етап ринку

Джерело: International Business Times UK

Автор оригіналу: Anastasia Matveeva |

Редагування: Gonka.ai

Штучний інтелект швидко розширюється, але його базова економічна логіка набагато більш вразлива, ніж здається на перший погляд. Коли три гіганти хмарних сервісів контролюють дві третини світової обчислювальної потужності, коли вартість тренування наближається до 1 мільярда доларів, а рахунки за інференцію ставлять стартапи в ступор — справжня ціна цієї гонки озброєнь обчислювальною потужністю тихо змінює розподіл цінностей у всій індустрії AI.

Ця стаття не про те, хто створить найпередовіші моделі. Вона досліджує більш фундаментальне питання: чи є економічна модель сучасної AI-інфраструктури стійкою у масштабі? Як зміни у механізмах розподілу обчислювальної потужності вплинуть на розподіл цінностей у ринку?

1. За лаштунками інтелектуальних витрат

Тренування передових великих моделей коштує десятки мільйонів, а іноді й сотні мільйонів доларів. Anthropic відкрито заявляв, що тренування Claude 3.5 Sonnet обійшлося у «десятки мільйонів доларів», а їхній CEO Dario Amodei раніше прогнозував, що вартість тренування наступного покоління моделей може наблизитися до 1 мільярда доларів. За даними галузевих ЗМІ, тренування GPT-4, ймовірно, коштувало понад 100 мільйонів доларів.

Однак, витрати на тренування — це лише вершина айсберга. Справжній тиск чинить інференційна вартість — тобто витрати, що виникають кожного разу, коли модель викликається. За відкритими цінами OpenAI, інференція оплачується за мільйон токенів. Для високонавантажених застосунків це означає, що навіть до масштабування щоденні витрати на інференцію можуть сягати тисяч доларів.

AI часто описують як програмне забезпечення. Але його економічна природа дедалі більше нагадує капіталомістку інфраструктуру — з високими початковими інвестиціями та постійними операційними витратами.

Ця зміна економічної структури тихо змінює конкурентний ландшафт AI-індустрії. Ті, хто може дозволити собі обчислювальну потужність, — це гіганти з масштабною інфраструктурою; тоді як стартапи, що намагаються вижити у вузьких межах, поступово зживаються під натиском рахунків за інференцію.

2. Капіталоємність і концентрація ринку

За даними Holori, у 2026 році ринок хмарних сервісів: AWS займає близько 33% світового ринку, Microsoft Azure — близько 22%, Google Cloud — близько 11%. Три гіганти контролюють приблизно дві третини глобальної інфраструктури, тоді як більшість AI-робочих навантажень працює саме на їхніх платформах.

Ця концентрація має важливе значення: коли API OpenAI збоїть, тисячі продуктів одночасно постраждають; коли один із провідних хмарних провайдерів зазнає збоїв, порушуються послуги у різних галузях і регіонах.

Концентрація не зменшується, навпаки — інфраструктурні витрати зростають. Наприклад, Nvidia має річний дохід понад 80 мільярдів доларів у сегменті дата-центрів, що свідчить про стабільний попит на високопродуктивні GPU.

Ще більш прихована проблема — структурна нерівність. За даними SEC і ринкових звітів, провідні лабораторії, такі як OpenAI і Anthropic, укладають багатомільярдні угоди «обмін на обчислювальні ресурси», отримуючи GPU за ціною близько 1.30–1.90 долара за годину. Тоді як дрібні та середні компанії, що не мають стратегічних партнерств з Nvidia, Microsoft або Amazon, змушені купувати GPU за роздрібною ціною понад 14 доларів за годину — з переплатою до 600%.

Ця різниця у ціновій політиці зумовлена недавніми стратегічними інвестиціями Nvidia у провідні лабораторії на суму понад 40 мільярдів доларів. Доступ до AI-інфраструктури дедалі більше визначається капіталом через закупівельні угоди, а не відкритою конкуренцією.

На ранніх етапах це може здаватися «ефективним». Але у масштабі воно створює цінові ризики, вузькі місця у постачанні та залежність від інфраструктури — трьох рівнів вразливості.

3. Ігнорований енергетичний аспект

Ще один важливий, але часто ігнорований аспект — енергоспоживання.

За даними Міжнародного енергетичного агентства (IEA), дата-центри нині споживають близько 1–1.5% світової електроенергії, і зростання AI-навантяжень може значно збільшити цю частку у найближчі роки.

Це означає, що економіка обчислювальної потужності — це не лише фінансовий, а й інфраструктурний і енергетичний виклик. З розширенням AI-робочих навантажень геополітичне значення енергопостачання зростає: країна, яка зможе забезпечити найнижчу вартість і найстабільніше постачання енергії, матиме структурну перевагу у AI-індустрії.

Коли Jensen Huang оголосив на GTC26, що замовлення Nvidia перевищили трильйон доларів, він описував не просто успіх компанії, а масштабний процес перетворення електроенергії, земель і рідкісних мінералів у інтелектуальні обчислювальні ресурси.

4. Переформатування механізмів інфраструктури

Паралельно з розширенням централізованих дата-центрів з’являються нові підходи — намагаючись радикально переосмислити спосіб координації обчислювальних ресурсів.

Децентралізована інференція: структурна альтернатива

Gonka protocol — один із яскравих прикладів цього напрямку. Це децентралізована мережа, створена спеціально для AI-інференції, з головною метою — мінімізувати накладні витрати на синхронізацію та консенсус, спрямовуючи максимально багато обчислювальних ресурсів на реальні AI-роботи.

У керівних принципах Gonka застосовує «один голос — один обчислювальний блок» — вплив на управління визначається обсягом підтвердженого обчислювального ресурсу, а не капіталом. Технічно, протокол використовує короткі періоди вимірювання продуктивності (Sprint), де учасники демонструють реальні GPU-ресурси через механізм Proof of Work (PoW) на базі Transformer.

Значення цього підходу у тому, що майже 100% мережевої обчислювальної потужності спрямовано на AI-інференцію, а не на підтримку консенсусу чи комунікаційних процесів.

Економіка децентралізованої обчислювальної мережі

З точки зору економіки, цінність децентралізованої мережі має три рівні.

Перший — витрати. Ціноутворення у централізованих хмарних сервісах базується на великих капітальних витратах, амортизації обладнання, операційних витратах і прибутках акціонерів. Децентралізована мережа може монетизувати вільні GPU-ресурси, значно зменшуючи ці витрати. Наприклад, Gonka пропонує послуги інференції за ціною близько 0.0009 долара за мільйон токенів — тоді як у централізованих сервісах ціна на подібні моделі (наприклад, DeepSeek-R1) сягає 1.50 долара, що у тисячі разів дорожче.

Другий — гнучкість пропозиції. Централізовані провайдери мають фіксовану потужність, розширення відбувається місяцями або кварталами. Децентралізні учасники можуть швидко реагувати на коливання попиту, додаючи або зменшуючи ресурси — так само, як Amazon Web Services створився для пікових навантажень у святкові дні. AI-інференція також має свої піки і спади, і потрібна гнучка інфраструктура.

Третій — суверенітет. У контексті держав, залежність від зовнішніх хмарних провайдерів — стратегічна вразливість. Децентралізовані мережі дозволяють локальним дата-центрам бути вузлами глобальної мережі, зберігаючи контроль над даними і одночасно отримуючи стабільний дохід.

5. Перебудова розподілу цінностей

Повертаючись до початкового питання: чи є економічна модель AI-інфраструктури стійкою у масштабі?

Відповідь: для провідних гравців — так; для більшості — ні.

AWS, Azure і Google Cloud мають багаторічний капітальний фундамент, і їхній масштаб важко зруйнувати. Але ця структура породжує високий рівень концентрації: ціна, доступ до даних і залежність — все зосереджено у кількох приватних гравців.

Історія показує, що кожна монополія у технологічній інфраструктурі рано чи пізно породжує альтернативи — інтернет — це опір телекомунікаційним монополіям, BitTorrent — децентралізація поширення контенту, Bitcoin — виклик централізованому випуску грошей.

Децентралізація AI-інфраструктури — це не ідеологічний вибір, а економічна необхідність. Коли витрати на централізацію стануть надто високими, з’являться реальні альтернативи. Як сказав Дженсен Хуанг, кожна фінансова криза «змушує більше людей звертатися до Bitcoin» — і ця логіка застосовна й до ринку обчислювальної потужності.

Вже зараз DeepSeek доводить: у світі, де відкриті моделі наближаються до закритих, інфраструктурні витрати стануть ключовим фактором швидкості масштабування AI. Той, хто зможе запропонувати найнижчу ціну і найвищу доступність інференційних обчислень, отримає квиток у цю гру.

Заключення: війна за інфраструктуру тільки починається

Наступний етап конкуренції у AI не визначатиметься рейтингами моделей, а — економічною боротьбою за інфраструктуру.

Концентровані гіганти мають капітал і масштаб, але й високі фіксовані витрати. Децентралізовані мережі пропонують надзвичайно низькі маржинальні ціни, але ще мають довести свою стабільність, зручність і масштабність.

Обидва підходи будуть існувати паралельно і тиснути один на одного. Напруженість між централізованим і децентралізованим підходами стане однією з найважливіших структурних тем у розвитку AI у найближчі п’ять років.

Ця війна за інфраструктуру лише починається.