Звіт Goldman Sachs розбирає конкурентний ландшафт китайських AI-моделей великого масштабу: хто стане довгостроковим переможцем?

null

Автор: Wall Street Огляд Бó Шуцінь

Оригінальна назва: «Глибинний звіт Goldman Sachs: хто стане довгостроковим переможцем у галузі китайських AI-моделей великого масштабу?»

Китайські AI-моделі великого масштабу зараз стоять на історичному переломі. Goldman Sachs вважає, що інтелектуальні характеристики відкритих/з відкритим доступом великих моделей Китаю з важливими вагою вже наближаються до глобальних топових закритих (пропрієтарних) моделей; масштаб впровадження вітчизняними компаніями та глобальними середніми й малими підприємствами швидко розширюється. Унаслідок цього ефект «інформаційного гравітаційного маховика» (data flywheel) і надалі підштовхуватиме ітерації та масштабування моделей.

Згідно з матеріалами «Погоня за ринком» (追风交易台), у своєму найновішому звіті Goldman Sachs зазначає, що траєкторію цієї еволюції можна узагальнити як «від моменту ефективності за витратами DeepSeek минулого року до моменту інтелектуальності моделей Zhipu GLM цього року». Команда на чолі з аналітиком Goldman Sachs Ronald Keung у цьому 50-сторінковому звіті проводить системну оцінку чотирьох ключових питань щодо того, як китайські AI-моделі досягають високої продуктивності з низькими витратами, чому обирають open-source шлях, як монетизувати, де розташований ключовий ринок, який можна адресувати (core可寻址市场), і хто стане довгостроковим переможцем.

Оцінюючи конкурентну картину, Goldman Sachs запровадив «рамку конкурентного позиціонування», що базується на ціновій здатності, перевагах за витратами та фінансовій спроможності, і на її основі дійшов висновку, що в сегменті базових текстових моделей найбільш сильними є Zhipu (перший охоплення) і DeepSeek (не публічна компанія); у мультимодальному сегменті лідирує ByteDance (не публічна компанія). Goldman Sachs також зберігає рекомендацію «купувати» для MiniMax і Kuaishou.

Бити малим — перемагати завдяки ефективності

Китайські великі моделі здатні досягати продуктивності, близької до продукції США, але з набагато нижчими витратами. Ключ — подвійний прорив в інноваціях архітектури та параметрній ефективності.

У звіті Goldman Sachs зазначено, що розмір параметрів відкритих моделей Китаю загалом становить від 200 млрд до 1,6 трлн, тобто лише 2%–10% від глобальних топових моделей. Це головним чином зумовлено обмеженнями на доступ до висококласних обчислювальних потужностей. Водночас інновації, зокрема архітектура суміші експертів (MoE) і механізм разюче розрідженої уваги (sparse attention), зумовлюють те, що частка реально активованих параметрів у загальних параметрах становить лише 3%–5%, суттєво знижуючи витрати на тренування та інференс.

На конкретному рівні моделей: DeepSeek V4 Pro має обсяг параметрів 1,6 трлн, Zhipu GLM5.2 — 0,7 трлн, MiniMax M3 — 0,4 трлн.

Goldman Sachs пов’язує недавнє зростання китайських моделей у програмувальних здібностях із синергією факторів, таких як відбір даних і посттренування з підкріпленим навчанням. 27 червня DeepSeek випустив фреймворк припущувального декодування DSpark; він уже розгорнутий у онлайн-сервісах V4-Flash і V4 Pro. За умови відсутності змін у ваговому складі моделі або якості виходів швидкість генерації на одного користувача зростає на 60%–85% (V4-Flash) і на 57%–78% (V4 Pro).

LongCat 2.0, опублікований Meituan 30 червня, Goldman Sachs вважає важливою віхою для автономізації китайської AI-інфраструктури. Це перша в Китаї повністю відкрита (open-source) MoE-модель із 1,6 трлн параметрів, натренована й розгорнута повністю на 50 тис. вітчизняних обчислювальних карт. Goldman Sachs вважає, що це доводить здійсненність локального стеку обладнання на етапі обчислювально-інтенсивного попереднього тренування, що має глибоке значення для того, щоб китайські AI-моделі позбулися залежності від іноземних топових чипів.

Розділення ринку на два полюси: сильні стають ще сильнішими

Goldman Sachs описує ринок китайських AI-моделей як «двошарову структуру», що формується, і виділяє дві квадранти для максимізації ARR.

У сегменті високого класу топові моделі на кшталт Zhipu GLM5.2 та Alibaba Qwen3.7 Max мають цінник приблизно 1 долар за кожен мільйон token — це в 5 разів більше, ніж у моделей нижчого класу. Валова маржа з інференсу — близько 10%–20% (оцінка Goldman Sachs). Натомість ціни топових моделей у США становлять 4–8 доларів за кожен мільйон token; китайські моделі преміум-класу — лише 10%–25% від цього рівня, але завдяки нижчому коефіцієнту активованих параметрів вони все ще можуть зберігати додатну валову маржу.

У сегменті нижчого класу моделі для задач агентів мають ціни всього 0,06–0,2 долара за кожен мільйон token і наразі відкривають ринок глобальних середніх і малих підприємств та індивідуальних користувачів, які чутливі до ціни. У MiniMax 60%–70% доходу надходить з-за кордону. Особливо варто звернути увагу на те, що DeepSeek оголосив: з середини липня він запровадить для серії V4 механізм пікових/непикових цін. Пікова ставка становитиме 2 рази від непікової; змішане ціноутворення — близько 0,35 долара за мільйон token (V4 Pro) і 0,12 долара за мільйон token (V4 Flash).

Goldman Sachs прогнозує, що API- та підписочні доходи китайських AI-моделей зростуть з 350 млрд юанів (оцінка на 2026 рік) до 8790 млрд юанів у 2030 році. Відповідно щоденне споживання token збільшиться з 350 трлн до 4600 трлн, тобто приблизно у 25 разів.

Open-source стратегія: широке проникнення, шлях монетизації потребує оновлення

У звіті Goldman Sachs докладно розглядається стратегічна логіка поширеного в Китаї застосування open-source/з відкритим доступом ваг (open weights) у AI-моделях, а також обмеження монетизації.

Головна перевага open-source-стратегії — гнучкість розгортання та екосистема спільноти. Серії Alibaba Qwen, DeepSeek, Zhipu GLM і MiniMax M3 використовують open-source або відкриті ваги; основним винятком є seed-моделі ByteDance, які обирають повністю закритий (closed-source) пропрієтарний шлях. Модель open-source дає змогу гнучко розгортати модель як у материковому Китаї, так і за його межами, а також прискорювати ітерації за рахунок зворотного зв’язку від спільноти.

Втім, Goldman Sachs зазначає, що ARR-цифри, які компанії open-source публікують, імовірно, сильно недооцінюють реальні масштаби розгортання та потенціал доходу. Наприклад, у випадку Zhipu: цільова ARR на кінець 2026 року становить 1 млрд доларів, але фактичний обсяг глобальних розгортань GLM5.2 буде значно вищим, ніж кількість tokenів і дохід у межах власних API-каналів Zhipu. Платформа Alibaba Cloud «Bаilian» (百炼) MaaS може напряму хостити open-source модель GLM5.2 без будь-якої оплати Zhipu.

Goldman Sachs очікує, що галузь поступово перейде від суто open-source (ліцензія MIT, повністю безкоштовно) до моделі «відкриті ваги + ліцензія спільноти» — тобто комерційне використання вимагатиме укладання угоди про розподіл доходів із компанією-розробником моделі. Серія MiniMax M першою впровадила цю модель. Goldman Sachs вважає, що ця зміна суттєво покращить юніт-економіку компаній з AI-моделями: компанія зможе отримувати вигоду від угод про розподіл доходів із платформами на кшталт AWS Bedrock і Alibaba Cloud «Bаilian» замість того, щоб самостійно нести витрати на обчислення для інференсу.

Від «максимізації token» до пріоритету ROI

Goldman Sachs оцінює розширення на міжнародні ринки як найважливіший висхідний потенціал для китайських AI-моделей, особливо в ринках поза США.

Група досліджень Goldman Sachs у США оцінює, що до 2030 року агентний AI (smart agents) сприятиме зростанню глобального споживання token у 24 рази — до 120 млн трлн token на місяць; при цьому корпоративні агентні AI забезпечать приріст у 55 разів, а споживчі агенти — у 12 разів. На глобальному ринку (за винятком Китаю) китайські AI-моделі вже збільшили свою частку token завдяки підвищенню продуктивності та ціновим перевагам.

У звіті Goldman Sachs зазначено, що глобальна парадигма використання AI підприємствами переживає фундаментальну трансформацію: від «максимізації token» до «пріоритету ROI». Перше було поширене наприкінці 2025 року — на початку 2026 року: підприємства прирівнювали високе споживання token до організаційної продуктивності. Натомість у другому випадку більше уваги приділяється чітким межам задач, кількості щоденно активних агентів, автоматизації процесів на бекенді та реальному випуску результатів. Дані дослідження трендів інженерії Jellyfish AI показують: важкі користувачі AI в компаніях витрачають у 10 разів більше token, але випуск (outcome) зростає лише в 2 рази.

На рівні каналів: платформа Gemini Enterprise Agent Platform від Alphabet і Amazon AWS Bedrock вже пропонують послуги хостингу китайських AI-моделей, зокрема DeepSeek, MiniMax, Moonshot, GLM і Qwen. Згідно зі звітом The Wall Street Journal, генеральний директор Microsoft нещодавно заявив, що Microsoft розглядає хостинг версій DeepSeek у Copilot як опціональну недорогу модель, і підкреслив, що якщо DeepSeek буде розміщено (хостинг), ця модель працюватиме в екосистемі хмар Microsoft, щоб забезпечити збереження даних клієнтів у межах Azure.

Хто стане довгостроковим переможцем?

Goldman Sachs побудував тривимірну рамку конкурентного позиціонування, щоб оцінювати імовірність довгострокового виграшу кожного гравця за кількісними показниками; ключова формула: розмір ARR × перевага валової маржі + фінансова спроможність.

Зріз цінової здатності оцінює швидкість виходу на ринок (порівняно з попередниками та моделями того ж рівня), бали в арені LMArena (на основі оцінок користувачів у масштабних сліпих тестах) та рівень мішаного ціноутворення за мільйон token.

Зріз переваг за витратами оцінює пропускну здатність (token за секунду), rate of cache hits (частота влучань кешу), коефіцієнт активованих параметрів і валову маржу інференсу. Зріз фінансової спроможності оцінює наявні грошові кошти, частку чистих грошових коштів у загальних активах і мультиплікатор оцінки (valuation multiple).

У сфері базових текстових моделей Goldman Sachs визначив Zhipu (перший огляд, нейтральний рейтинг, цільова оцінка 110 млрд доларів США) і DeepSeek (не публічна компанія) як найбільш сильні; обидва демонструють видатні результати як у ціновій здатності, так і в перевагах за витратами. Сумарна прихована оцінка (implied valuation) всього сегменту незалежних компаній з AI-моделями загалом перевищує 200 млрд доларів США.

У мультимодальних/відеогенераційних сценаріях ByteDance лідирує завдяки Seedance. За повідомленнями LatePost і 36Kr, валова маржа Seedance досягає 70%, а ARR run-rate вже перевищує 2 млрд доларів США. Kuaishou і MiniMax Hailuo/майбутня модель H3 також знаходяться в фокусі позитивного бачення Goldman Sachs; прогнозують, що у другій половині 2026 року вони виграють від прориву у функціях, де відеогенерація поєднується з LLM, а також від дефіциту пропозиції, що спричинятиме здорові цінові умови.

Goldman Sachs зберігає рекомендацію «купувати» для MiniMax, цільова ціна 860 HKD. Причина — те, що модель M3 перебуває в квадранті ARR для максимізації: високий обсяг token і привабливе ціноутворення. Крім того, поточна оцінка становить лише 13 разів ARR на кінець 2026 року, тобто порівняно з мультиплікаторами оцінки аналогічних компаній у Китаї та у світі є помітний дисконт; співвідношення ризик/дохід (risk-reward) схиляється в бік висхідного сценарію.