Топ-10 городов ИИ

АННОТАЦИЯ

Содержание

Представьте: всего 4 города контролируют технологии, которые изменят жизнь 8 миллиардов людей. Тайвань производит 90% чипов для ИИ. Сан-Франциско создаёт модели, которые завтра будут принимать решения вместо врачей, банкиров и правительств. Пекин научился делать то же самое в 27 раз дешевле.

Это не просто технологическая гонка — это новая география власти. К 2030 году ИИ добавит $15.7 трлн к мировой экономике, но эти деньги достанутся не всем. Выиграют города, которые это понимают: успех больше не зависит от размера или истории. Важно только одно — какую роль вы играете в новой семиуровневой экосистеме ИИ.

Сингапур уже всё понял. Цюрих тоже. А как насчёт вашего города?

Этот анализ раскрывает новые правила игры, в которой на кону будущее человечества.

КРАТКОЕ РЕЗЮМЕ

Содержание

Что происходит прямо сейчас:

Мир ИИ перестроился в семь слоёв специализации, каждым из которых управляют разные города:

  • Слой 1: сырьё — Внутренняя Монголия (Китай: 90% переработки редкоземельных металлов)
  • Слой 2: энергетическая инфраструктура — Аляска, Исландия, Норвегия (преимущество 4-5 ¢/кВт·ч)
  • Слой 3: аппаратное обеспечение — Тайвань, Южная Корея (TSMC: 92% передовых чипов)
  • Слой 4: облака — Сиэтл, Дублин (AWS/Azure/GCP: 70% рынка)
  • Слой 5: оркестрация — Нью-Йорк, Лондон, Сингапур (платформы AgentOps)
  • Слой 6: базовые модели — Сан-Франциско, Пекин, Париж (ChatGPT, DeepSeek, Mistral)
  • Слой 7: приложения — Сингапур, Дубай, Цюрих (умные города, финтех, govtech)

Почему это критически важно:

1. Геополитическая бомба замедленного действия: если завтра что-то случится с Тайванем, мировой ИИ остановится. 80% всех передовых моделей создаются только в США и Китае.

2. Экономическая революция: Китай добился прорыва — их ИИ стоит $2 за миллион операций против $60 у американцев. Качество то же самое. Это как если бы iPhone вдруг стоил $30 вместо $1000.

3. Революция на рабочих местах: к 2030 году 60% людей понадобится переобучение. Но есть надежда: 97% компаний, внедряющих ИИ, получают прибыль.

Кто выигрывает и кто проигрывает:

ЛИДЕРЫ:

  • Сингапур — лучшая в мире готовность к ИИ, правительство внедряет ИИ повсеместно
  • Цюрих — 6 лет подряд лучший умный город, ИИ в финансах
  • Сан-Франциско — создаёт ChatGPT, Claude, Gemini, Grok и другие — мировой «мозг» ИИ
  • Пекин/Ханчжоу — дешёвые и качественные модели, массовое внедрение

ОТСТАЮЩИЕ:

  • Города, которые пытаются делать всё сразу вместо специализации
  • Регионы без стратегии образования в области ИИ

Что это значит для будущего:

2026 год — переломный момент. ИИ становится автономным (принимает решения без людей). Города должны выбрать свою роль СЕЙЧАС:

  • 1. Производить ИИ (как Сан-Франциско) — создавать технологии
  • 2. Применять ИИ (как Сингапур) — внедрять в жизнь граждан
  • 3. Обслуживать ИИ (как Дублин) — предоставлять инфраструктуру

Практические выводы:

  • Инвестируйте в образование в сфере ИИ СЕЙЧАС — завтра будет поздно
  • Выбирайте специализацию, а не пытайтесь охватить всё
  • Города без стратегии ИИ к 2030 году станут экономической периферией
  • $417 млрд инвестиций в 2025 году — это только начало

Следующие 5 лет решат, какие города будут определять мир в ближайшие 50 лет.

1. ВВЕДЕНИЕ И МЕТОДОЛОГИЯ

Содержание

1.1 Контекст исследования

Глобальный ландшафт искусственного интеллекта превратился в сложную экосистему, в которой определённые городские центры стали доминирующими силами в исследованиях, разработке и внедрении ИИ. Этот ландшафт переходит от концентрации в нескольких хабах к мультиполярной экосистеме, где разные города выделяются благодаря уникальным преимуществам и особым ролям в цепочке создания ИИ-стоимости.

Городские центры демонстрируют специализированные роли в семиуровневой структуре зависимости от ИИ: сырьё (переработка редкоземельных металлов), энергетическая инфраструктура (генерация возобновляемой энергии), аппаратная инфраструктура (концентрация производства полупроводников и дата-центров), облачная инфраструктура (развитие вычислительных платформ), оркестрация (координация систем ИИ), базовые модели (создание основных систем ИИ) и приложения (внедрение в конкретных отраслях). Такая многоуровневая специализация создаёт сложные технологические взаимозависимости и новые формы конкурентного преимущества, которые меняют глобальные экономические отношения.

Терминологическая основа

  • Центры базовых моделей: Городские центры, разрабатывающие фундаментальные ИИ-модели и базовые алгоритмы (например, Сан-Франциско — ChatGPT, Ханчжоу — Qwen)
  • Города-потребители ИИ: Центры, преуспевающие во внедрении и развёртывании существующих технологий ИИ (например, Дубай — приложения «умного города», Цюрих — финансовый ИИ)
  • Гибридные хабы ИИ: Города, сочетающие возможности разработки и внедрения (например, Сингапур, Шанхай)
  • Агентный ИИ: Автономные системы, способные принимать решения самостоятельно и выполнять сложные задачи
  • Конституционный ИИ (CAI): Системы управления, встраивающие этические принципы в системы ИИ
  • Организации, нативные для ИИ: Компании, для которых ИИ является основным продуктом или услугой, в отличие от традиционных компаний, использующих инструменты ИИ для повышения операционной эффективности
  • Кадры для разработки ИИ: Специалисты, непосредственно разрабатывающие системы ИИ (инженеры машинного обучения, исследователи ИИ, специалисты по данным), в отличие от широкого круга работников, использующих инструменты ИИ в повседневной работе
  • Географический охват: В анализе используются административные границы городов, если не указано иное; данные по крупным агломерациям отмечены отдельно, где это применимо
  • Большая языковая модель (LLM): Базовые системы ИИ, обученные на больших текстовых массивах и служащие вычислительной основой для генеративных и агентных приложений ИИ
  • Massive Multitask Language Understanding (MMLU): Стандартизированный отраслевой бенчмарк, проверяющий эффективность моделей ИИ в различных областях знаний и задачах на рассуждение
  • Стоимость инференса: Операционные расходы на работу обученных моделей ИИ для генерации результатов; ключевой показатель коммерческой жизнеспособности внедрения ИИ
  • Гипермасштабная инфраструктура: Крупные компании облачной инфраструктуры (Meta, Alphabet, Microsoft, Amazon, Oracle), предоставляющие базовые вычислительные ресурсы для разработки и развёртывания ИИ

Инвестиционный ландшафт демонстрирует беспрецедентный масштаб: компании гипермасштабных технологий (Meta, Alphabet, Microsoft, Amazon, Oracle) планируют направить на капитальные расходы в 2025 году $417 млрд (источник: отчёты о доходах за Q3 2025). Капитальные расходы, связанные с ИИ, внесли 1.1% в рост ВВП в первой половине 2025 года, демонстрируя переход ИИ от спекулятивной технологии к основному драйверу экономики.

В научной сфере Китай достиг выдающегося лидерства по качеству научных результатов. Nature Index Research Leaders 2025 (на основе данных за 2024 год) показывает, что доля Китая составляет 32,122 против 22,083 у США — это рост скорректированной доли Китая на 17.4%. Китайские институты занимают теперь 43 из 100 ведущих мировых позиций в исследованиях, а Китайская академия наук сохраняет первое место в мире с долей более чем вдвое выше, чем у Гарвардского университета.

Это отражает фундаментальный сдвиг в географии мировых исследований: в первой десятке остаются только два негитайских института (против трёх в 2023 году), а восемь позиций занимают китайские институты. Китайская академия наук (КАН) лидирует с долей 2,776.90 и сохраняет 13-й год подряд мировое лидерство, а Гарвардский университет занимает второе место (доля 1,155.19). Университет науки и технологий Китая (USTC, Хэфэй) занял третье место с долей 850.60, а Чжэцзянский университет (Ханчжоу) поднялся с десятого на четвёртое место. Западные институты сталкиваются с существенным снижением: Стэнфордский университет опустился с 6-го места (2022) на 16-е (2024), MIT — на 17-е место, Общество Макса Планка (Германия) упало с 4-го на 9-е, а французский CNRS впервые выпал из первой десятки (13-е место).

В этом исследовании систематизируются эти различные пути развития: столицы ИИ рассматриваются через призму как технологических возможностей, так и стратегического позиционирования в глобальной цепочке создания ценности ИИ, предоставляя аналитические перспективы о том, что составляет лидерство в области ИИ, на основе проверяемых данных об инвестициях, научной продуктивности и политических рамках.

1.2 Объём и цели

Это исследование призвано:

  • Определить ведущие мировые города в сфере ИИ в рамках нескольких методик оценки (IMD Smart City Index, Counterpoint AI City Index, Salesforce AI Readiness Index)
  • Проанализировать структуру инвестиций и потоков финансирования в разработку ИИ, различая фундаментальные исследования и внедрение в практику
  • Изучить роль государственной политики в развитии экосистемы ИИ в различных моделях управления
  • Оценить влияние академических институтов и сотрудничества с частным сектором на создание кластеров инноваций в сфере ИИ
  • Оценить технологическую инфраструктуру и инновационный потенциал, особенно в контексте перехода к агентному ИИ
  • Построить рамку географии цепочки создания ценности ИИ по четырём уровням зависимости: аппаратная инфраструктура, облачная инфраструктура, базовые модели и приложения

1.3 Модели регулирования ИИ: глобальные подходы

Регуляторный ландшафт управления ИИ сложился в четыре отдельные модели, каждая из которых отражает разные национальные приоритеты и технологические стратегии:

1.3.1 Соединённые Штаты: подход, ориентированный на рынок

  • Акцент на инновациях и минимальном регуляторном вмешательстве на ранних этапах
  • Экосистема, движимая венчурным капиталом, с приоритетом на прорывные технологии
  • Регуляторные песочницы для финансовых услуг (ограниченный охват)
  • Контроль после внедрения вместо требований предварительного одобрения

1.3.2 Европейский союз: подход, ориентированный на права

  • Внедрение комплексного Закона об ИИ (2025) с акцентом на защиту основополагающих прав
  • Требования к объяснимому ИИ (XAI) для приложений повышенного риска
  • Строгая интеграция защиты данных с рамками GDPR
  • Принцип предосторожности при внедрении ИИ

1.3.3 Китай: подход, ориентированный на контроль

  • Государственно направляемое развитие ИИ с национальной стратегической координацией
  • Широкое участие государства в исследованиях и внедрении ИИ
  • Интеграция системы социального кредита, демонстрирующая комплексное управление ИИ
  • Быстрое масштабирование, обеспечиваемое централизованным принятием решений

1.3.4 Великобритания: подход, ориентированный на гибкость

  • Отраслевое регулирование вместо комплексного законодательства об ИИ
  • «Дружественная к инновациям» регуляторная рамка
  • Акцент на сохранении конкурентного преимущества после Brexit
  • Фокус на практическом внедрении, а не на теоретических концепциях

1.4 Геополитическая конкуренция за лидерство в ИИ: США против Азии

Соперничество США и Китая за лидерство в ИИ характеризуется принципиально разными стратегическими подходами: технологическим превосходством за счёт интенсивных инвестиций со стороны США против операционной эффективности и масштабируемого внедрения в Китае.

1.4.1 Стратегия США: технологическое превосходство

Стратегия США опирается на модель венчурного капитала и создание самых мощных, хоть и дорогих, передовых моделей. Силиконовая долина контролирует более 65% мирового финансирования стартапов, ориентированных на ИИ, следуя модели «победитель получает всё», которая порождает прорывные, но ресурсоёмкие технологии.

Преимущества США (проверено на Q4 2025):

  • Гипермасштабные компании планируют направить $417B на капзатраты в 2025 году (обновлено на Q3 2025)
  • Инвестиции в ИИ обеспечивают более 70% всей венчурной активности в течение 2025 года
  • Доминирование в разработке базовых моделей (ChatGPT, Claude, GPT) и экосистема нативных для ИИ стартапов
  • Ведущие академические институты (MIT, Stanford), производящие прорывные исследования
  • Более совершенные регуляторные рамки для коммерческого внедрения ИИ и защиты интеллектуальной собственности
  • Глобальное доминирование платформ (AWS 30%, Azure 20%, Google Cloud 13%), обеспечивающее развёртывание ИИ по всему миру
  • Преимущество английского языка для разработки глобальных моделей и международного коммерческого внедрения
  • Разнообразная многосекторальная инновационная экосистема (финансы, здравоохранение, оборона, развлечения), порождающая разнообразные применения ИИ
  • Самая сильная венчурная экосистема в мире с налаженными сетями рискового капитала

Стратегическая проблема: Поддержание технологического превосходства требует постоянных инвестиций в дорогостоящую инфраструктуру (кластеры GPU, энергетические системы), что порождает вопросы о долгосрочной ценовой конкурентоспособности по сравнению с подходами, ориентированными на эффективность.

1.4.2 Стратегия Китая: эффективность и масштабируемость

Китай стремительно сокращает разрыв в качестве моделей: различия в производительности больших языковых моделей на ключевых бенчмарках (например, MMLU) к 2024 году практически сошли на нет. Примечание: сравнения по бенчмаркам имеют ограничения — они проверяют узкую академическую производительность, а не возможности реального внедрения, что потенциально занижает практические преимущества в развёртывании. Стратегическое преимущество Китая заключается в его способности внедрять ИИ с впечатляющей эффективностью.

Преимущества Китая (проверено на данных 2025 года):

  • Формальное образование в области ИИ введено для всех учащихся начальной и средней школы (запущено в 2025 году). Сложности внедрения включают значительный разрыв в инфраструктуре между городом и селом и охват подготовкой учителей на уровне 33% по стране
  • В 4 раза больше выпускников вузов по ИИ ежегодно, чем в конкурирующих регионах
  • Масштабные инициативы по росту при государственной поддержке, координируемые на национальном уровне
  • Фокус на практичном и экономически эффективном внедрении, а не на теоретическом прогрессе

Стратегические ограничения и компромиссы:

  • Ограничения на контент и регуляторный контроль могут сдерживать глобальное распространение китайских моделей ИИ
  • Хотя по объёму научных результатов Китай лидирует в мире, прорывные алгоритмические инновации по-прежнему сосредоточены в западных центрах фундаментальных моделей
  • Проблемы прозрачности данных создают трудности с верификацией для международных партнёрств
  • Централизованная модель развития может ограничивать разнообразие подходов по сравнению с западной рыночной конкуренцией

Фокус на снижении стоимости инференса имеет решающее значение. Достигая операционных расходов в 27x ниже, чем у западных конкурентов ($2.19 против $60 за миллион выходных токенов при сравнении DeepSeek R1 и OpenAI o1), китайские компании могут сделать доступ к ИИ демократичным и занять глобальные рынки, чувствительные к цене.

Ключевой вывод: взаимодополняющие сильные стороны в конкуренции в сфере ИИ

Конкуренция США и Китая в сфере ИИ отражает скорее взаимодополняющие, чем чисто конкурентные подходы. США преуспевают в прорывных инновациях, коммерческом внедрении и доминировании глобальных платформ, тогда как Китай лидирует по объёму исследований, оптимизации затрат и быстрому масштабированию. Оба подхода вносят необходимые возможности в глобальную экосистему ИИ.

Эта конкуренция формирует паттерны географической специализации: американские города (Сан-Франциско, Сиэтл) ориентируются на прорывные инновации и привлечение венчурного капитала, а китайские города (Ханчжоу, Пекин) оптимизируются под объём исследований и эффективность затрат. Конкуренция ускоряет семиуровневую структуру зависимостей, заставляя каждую сторону развивать сильные стороны в разных компонентах цепочки создания ценности ИИ.

1.5 Концентрация глобальной экосистемы стартапов в ИИ

Глобальный ландшафт венчурного капитала в сфере ИИ отличается крайней географической концентрацией: 15 столичных агломераций получают более 80% финансирования ИИ-стартапов. Экосистема демонстрирует заметную динамику: Сан-Франциско сохраняет доминирование с 430 ИИ-стартапами на миллион жителей и $28,4 млрд финансирования, а новые центры растут так быстро, что бросают вызов традиционной иерархии.

Самые быстрорастущие экосистемы ИИ (2023–2025)

  • Бангалор (+26% роста): 890 стартапов в сфере ИИ, финансирование $4,9 млрд, становится мировым лидером в инструментах для программирования на основе ИИ и автоматизации B2B
  • Сингапур (+22% роста): 920 стартапов, финансирование $5,4 млрд, 170 стартапов на миллион жителей, образцовое внедрение ИИ государством
  • Дубай (+21% роста): 640 стартапов, финансирование $3,2 млрд, песочница регулирования ИИ создаёт преимущества в нормативной сфере
  • Торонто (+18% роста): 980 стартапов, $5,7 млрд финансирования, хаб Vector Institute, задающий лидерство в этичном ИИ, оценка Cohere $6,8 млрд (пионеры трансформеров)
  • Тель-Авив (+14% роста): 1 150 стартапов, финансирование $6,1 млрд, 260 стартапов на миллион жителей, специализация на киберИИ и оборонных технологиях

Концентрация венчурного капитала создаёт сетевые эффекты: ведущие города привлекают не только стартапы, но и корпоративные венчурные подразделения (Google Ventures, NVIDIA Inception, Microsoft M12) и суверенные фонды (Temasek из Сингапура, Mubadala из ОАЭ). Такая магнетическая сила капитала усиливает географические преимущества: мега-раунды ($100M+) составили 69% финансирования ИИ в 2024 году и в основном шли в уже сложившиеся центры инноваций.

Показатели успеха существенно различаются в зависимости от стадии развития и географического фокуса. Североамериканские экосистемы демонстрируют средний мультипликатор выхода 4.8x, тогда как европейские (3.5x) и азиатские (3.9x) рынки имеют иной профиль соотношения риска и доходности. Медианный срок выхода на рынок варьируется от 17 месяцев (самый короткий в Сан-Франциско) до более длительных сроков в развивающихся экосистемах, что отражает различия в зрелости инфраструктуры и плотности талантов.

Ускорение академических спин-оффов: World Labs, основанная соучредителем Стэнфорда Fei-Fei Li, достигла оценки $1B за 4 месяца (апрель→июль 2024), а NextGenAI Consortium от OpenAI распределяет $50M между 15 элитными университетами, демонстрируя быстрые конвейеры от исследований к рынку.

Специализация городов в экосистеме стартапов ИИ

Слой аппаратного обеспечения и инфраструктуры:
Санта-Клара/Сан-Хосе: 430 стартапов на миллион жителей, финансирование $28,4 млрд, доминирование экосистемы NVIDIA
Остин: +19% роста, финансирование $3,5 млрд, специализация на аппаратном обеспечении ИИ и автономных системах
Сеул: Финансирование $4,4 млрд, 10 единорогов, фокус на полупроводниках ИИ и робототехнике

Слой базовых моделей и исследований:
Залив Сан-Франциско: 3 900 стартапов в сфере ИИ, 82 единорога, глубокие технологии и базовые модели
Пекин: 2 450 стартапов, финансирование $14,7 млрд, 54 единорога, поддержка политики в сфере генеративного ИИ
Париж: 850 стартапов, финансирование $4,6 млрд, оценка Mistral AI €5 млрд, государственный акселератор ИИ

Слой прикладного применения и внедрения:
Тель-Авив: 1 150 стартапов, 260 на миллион жителей, киберИИ и оборонные технологии
Сингапур: 920 стартапов, 170 на миллион жителей, государственное превосходство в ИИ
Дубай: 640 стартапов, рост +21%, преимущества песочницы регулирования ИИ

Слой исследовательского превосходства:
Бостон/Кембридж: Ведущие институты MIT, близость к прорывным исследованиям
Принстон: Основа нейронных сетей Хопфилда (Нобелевская премия по физике 2024)
Сиэтл: Лидерство Вашингтонского университета в дизайне белков (Нобелевская премия по химии 2024)

2. ГЕОГРАФИЯ ЦЕПОЧКИ СОЗДАНИЯ ЦЕННОСТИ ИИ: СЕМИУРОВНЕВАЯ СТРУКТУРА ЗАВИСИМОСТЕЙ

Содержание

2.1 Семиуровневая структура зависимостей в сфере ИИ

Глобальная среда ИИ работает через семиуровневую структуру зависимостей, расширенную по сравнению с традиционной четырёхуровневой моделью, чтобы охватить критически важные базовые уровни, которые в 2025 году стали стратегическими полями битвы. Эта структура простирается от добычи сырьевых материалов через энергетическую инфраструктуру к уровням аппаратного обеспечения, облака, оркестрации, базовых моделей и приложений.

Уровень 1: центры сырьевых материалов
Внутренняя Монголия, Китай: 90% мировой переработки редкоземельных металлов, стратегическое узкое место
Чили/Аргентина: Литиевый треугольник для аккумуляторов ИИ-чипов
Маунтин-Пасс, Калифорния: Единственная действующая редкоземельная шахта США (14% мирового производства)

Уровень 2: центры энергетической инфраструктуры
Аляска: Преимущество в энергии 4–5 ¢/кВт·ч, оптимальная основа инфраструктуры кэширования, стратегическое позиционирование в сфере ИИ
Исландия/Норвегия: 100% возобновляемая энергия ГЭС и геотермальных станций
Штат Вашингтон: Избыток гидроэнергии для дата-центров
Техас: Диверсифицированная структура энергии: атомная и возобновляемая

Уровень 3: центры аппаратной инфраструктуры
Санта-Клара/Сан-Хосе: Разработка GPU NVIDIA, проектирование полупроводников
Синьчжу, Тайвань: Производство микросхем TSMC, передовые полупроводники
Сеул: Производство памяти и процессоров Samsung

Уровень 4: центры облачной инфраструктуры
Сиэтл: Amazon Web Services (AWS), Microsoft Azure
Зона залива Сан-Франциско: Google Cloud Platform, вычислительная инфраструктура
Дублин: Европейские хабы облачной инфраструктуры

Ключевой вывод: Стратегия вертикальной интеграции крупных технологических компаний бросает вызов линейной модели «производитель против потребителя». Meta, Amazon, Alphabet и Microsoft планируют в сумме $320–325 млрд капитальных затрат на ИИ в 2025 году, одновременно контролируя несколько уровней цепочки создания стоимости. Эта вертикальная интеграция создаёт самоподкрепляющиеся циклы данных: лучшие вычислительные ресурсы → более совершенные модели ИИ → больше данных → улучшенные версии, что позволяет этим компаниям извлекать ценность по всей цепочке поставок ИИ.

Уровень 5: центры оркестрации
Нью-Йорк: Финансовая оркестрация ИИ, координация алгоритмической торговли, Renaissance Technologies
Лондон: Межотраслевое управление системами ИИ, нормативные рамки, интеграция финансовых услуг
Сингапур: Государственная оркестрация ИИ, координация Smart Nation, интеграция многоведомственных систем
Тель-Авив: Оркестрация ИИ для обороны, координация систем кибербезопасности

Уровень 6: центры базовых моделей
Залив Сан-Франциско: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Grok (xAI), Llama 4 (Meta), лидерство США в базовых моделях
Пекин: DeepSeek, китайский хаб исследований ИИ
Париж: Mistral AI, Le Chat, европейские модели с открытым исходным кодом (также платные)
Ханчжоу: Qwen (Alibaba), лидерство Китая в базовых моделях

Уровень 7: центры внедрения приложений
Дубай: Приложения для умных городов, управление трафиком на основе ИИ, цифровое управление
Цюрих: Финансовые приложения ИИ, алгоритmic торговля, управление благосостоянием
Сингапур: Лидер в оптимизации эффективности сессий, экспертиза в развёртывании кэша ИИ, инициатива Smart Nation
Осло: Приложения для устойчивого развития, интеграция зелёных технологий
Тель-Авив: ИИ для кибербезопасности, оборонные приложения, стартап-экосистема
Нью-Йорк: Финансовые услуги на базе ИИ, платформа BlackRock Aladdin

Экономика кэша: разделение обучения и инференса

Самый важный вывод для понимания энергозатрат ИИ: 90–95% глобального энергопотребления ИИ приходится на нагрузки «инференса» (использование обученных моделей), а не обучение новых моделей.

• Обучение: Создание моделей с нуля (~5–10% общего энергопотребления), существенно не оптимизируется

• Инференс: Использование обученных моделей для ответов (~90–95% энергии), может быть оптимизировано на 50–75% за счёт кэширования

Это разделение объясняет, почему DeepSeek из Китая получает 10-кратное преимущество в стоимости: он оптимизирует 95%, тогда как политика США фокусируется только на 5%.

Простыми словами: как работает оптимизация кэша

Представьте, что вы работаете с ИИ-ассистентом и загружаете один и тот же файл несколько раз. При первом запросе система полностью обрабатывает ваш запрос и «запоминает» результат в специальной быстрой памяти (кэше). Если вы обращаетесь к тому же файлу в течение 5 минут, система ничего не пересчитывает, а мгновенно извлекает готовый ответ из памяти.

Результат: Вторая операция обходится на 90% дешевле и выполняется значительно быстрее. Это как разница между поиском контакта в телефонной книге (в первый раз) и использованием быстрого набора (в последующие разы).

Масштаб: Сингапур применяет эту логику во всей государственной инфраструктуре ИИ, достигая 75% общей эффективности. Китайские компании используют схожие подходы для 10-кратного преимущества в стоимости.

Подробный анализ: карта глобальной инфраструктуры ИИ

Таблица 1: Семиуровневая структура зависимостей в сфере ИИ

Уровень Ключевые игроки Географическая концентрация Контроль рынка
Сырьевые материалы Китай (90% переработки редкоземельных металлов), Чили (24% лития), ДРК (70% кобальта) Внутренняя Монголия, Салар-де-Атакама, провинция Катанга Крайняя концентрация
Энергетическая инфраструктура Аляска (4–5 ¢/кВт·ч), Исландия/Норвегия (100% возобновляемая), штат Вашингтон (гидроэнергетика) Регионы с избытком энергии, стратегическая основа инфраструктуры кэширования Географическое преимущество
Аппаратная инфраструктура NVIDIA (90% рынка GPU для ИИ), TSMC (67.6% мирового рынка контрактного производства полупроводников, I кв. 2025), Samsung (7.7% рынка контрактного производства) Тайвань (Синьчжу), Южная Корея (Сувон), США (Санта-Клара) Крайняя концентрация
Облачная инфраструктура AWS, Microsoft Azure, Google Cloud (65-70% совокупного мирового рынка облачной инфраструктуры в 2025 году) Северная Вирджиния, Сиэтл, Техас (США), Ирландия, Сингапур Высокая концентрация
Оркестрация Платформы AgentOps, координация нескольких моделей, управление сложными системами Нью-Йорк (финансы), Лондон (межотраслевой), Сингапур (государственный), Тель-Авив (оборона) Распределённая координация
Фундаментальные модели OpenAI (25%), Anthropic (32%), Google (20%), Meta, DeepSeek, Qwen Область залива Сан-Франциско (5-6 компаний), Ханчжоу (2), Париж (1) Умеренная концентрация
Приложения Тысячи специализированных компаний, отраслевые внедрения Глобально распределённые, отраслевые кластеры Распределённая
Ключевой вывод: Экосистема ИИ устроена как семиуровневая пирамида зависимостей: Китай контролирует сырьевые материалы (90% редкоземельных металлов) и аппаратную основу, регионы с избытком энергии дают преимущество в инфраструктуре, США доминируют в облаке и базовых моделях (70%), региональные центры специализируются на культурных данных, а приложения распределены по всему миру. Каждый уровень критически зависит от всех нижележащих.

Контроль рынка ИИ по уровням (2025)

Контроль рынка ИИ по уровням (2025)
Приложения 25%
Энергетическая инфраструктура 30%
Оркестрация 40%
Облачная инфраструктура 66%
Фундаментальные модели 77%
Аппаратная инфраструктура 85%
Сырьевые материалы 90%

Источники ИИ не только лаборатории: они образуют полную пирамиду

Основная идея в том, что источники искусственного интеллекта представляют собой многоуровневую структуру. Они включают не только разработчиков моделей, но и:

• Сырьевые материалы (Китай, 90% переработки редкоземельных металлов)
• Энергетическая инфраструктура (Аляска, Исландия, регионы с возобновляемой энергией)
• Аппаратное обеспечение (чипы NVIDIA, TSMC, ASML)
• Облачная инфраструктура (AWS, Azure, Google Cloud)
• Оркестрация (AgentOps, координация нескольких моделей)
• Базовые модели (OpenAI, Anthropic, Google, Meta, DeepSeek, Mistral)
• Приложения построены на основе этих моделей

Так формируется пирамида зависимостей, в которой каждый верхний уровень полностью опирается на нижележащие.

Таблица 2: Глобальное распределение инвестиций в ИИ (2025)

Регион Частные инвестиции Доля в мировых инвестициях Ключевые сильные стороны
США $109.08 млрд ~58% Фундаментальные модели, частный капитал, инфраструктура
Китай $9.29 млрд ~20% Объём исследований (36.05% публикаций), оптимизация затрат
Великобритания $4.52 млрд ~12% Научные исследования (DeepMind), лидерство в области этики
Азия (прочие) ~$5-7 млрд ~7% Производство оборудования, робототехника, локализация
Ключевой вывод: США доминируют по инвестициям (58%): $109 млрд, Китай лидирует по исследованиям с 36% публикаций при $9 млрд. Великобритания демонстрирует наибольшую эффективность: инвестиции в $4,5 млрд обеспечивают глобальное лидерство в этике ИИ и здравоохранении.

Базовые модели сосредоточены в 6–7 глобальных центрах

• США (Сан-Франциско и Силиконовая долина) — абсолютный хаб: OpenAI, Anthropic, Google, Meta, xAI
• Китай (Ханчжоу) — DeepSeek и Alibaba (Qwen), поддерживаемые масштабным государственным финансированием
• Франция (Париж) — Mistral AI
• Великобритания (Лондон) — DeepMind и AlphaFold (Нобелевская премия по химии 2024: предсказание белков Хассабисом и Джампером)

Разработка глобальных ИИ-моделей демонстрирует явную географическую концентрацию с отчётливой рыночной динамикой. **Силиконовая долина лидирует в потребительских приложениях** (доля ChatGPT на рынке 60-83%) и **в корпоративном внедрении** (Claude 32%, OpenAI 25%, Google 20% в сумме). **Китай доминирует на внутреннем рынке**: Qwen (17.7% корпоративного сегмента) и DeepSeek занимают более 75% местного рынка. **Европа укрепляет суверенитет** через Mistral AI (оценка €11.7 млрд), используя регуляторные преимущества. Структура рынка сильно различается: потребительский сегмент высококонцентрирован, корпоративный сегмент фрагментирован по специализированным сценариям использования.

Карта глобальных источников искусственного интеллекта (2025)

Эта обновлённая карта показывает глобальные истоки искусственного интеллекта в 2025 году, включая как базовые мультимодальные модели, так и отраслевые центры ИИ: подлинные «точки происхождения» ИИ в современном мире.

Таблица 3: Глобальные центры мультимодальных ИИ-моделей

Регион Ключевые модели и компании Центры разработки Комментарий
Силиконовая долина (США) GPT (OpenAI), Claude (Anthropic), Gemini (Google DeepMind), Grok (xAI), Meta AI/Llama (Meta) Сан-Франциско, Маунтин-Вью, Пало-Альто Доминирование в потреблении: ChatGPT лидирует с долей рынка 62.5%. Лидерство в корпоративном сегменте: Claude 32%, OpenAI 25%, Google 20% в сумме (77% в целом).
Пекин и Ханчжоу, Китай Qwen (Alibaba), DeepSeek, Ernie (Baidu), Kimi (Moonshot AI) Пекин, Ханчжоу Лидеры внутреннего рынка: Qwen занимает 20-25% китайского облачного ИИ-рынка, DeepSeek — 6.6% глобального рынка (3-е место). В сумме 75%+ внутреннего рынка и растущее международное присутствие.
Париж, Франция Mistral AI Париж, Station F Лидер европейского ИИ-суверенитета с оценкой €11.7-14 млрд. Le Chat превысил 1 млн загрузок за 13 дней. Регуляторное преимущество на рынке ЕС, растущее корпоративное внедрение.

Глобальные центры фундаментальных AI-моделей

Глобальные центры фундаментальных моделей ИИ (2025)
Силиконовая долина 69.2%
Китай (Пекин/Ханчжоу) 28.1%
Париж (Франция) 2.7%

Методология измерения доли рынка

Доля рынка заметно различается в зависимости от методики измерения. Потребительские показатели (веб-трафик, загрузки приложений) показывают доминирование ChatGPT с 62.5%, тогда как корпоративные опросы выявляют лидерство Claude с 32%. Географические закономерности тоже различаются: китайские модели занимают 75%+ внутреннего рынка, но растут и глобально (DeepSeek 6.6%, Qwen 20%+ в программировании).

Технологические зависимости AI-экосистемы

Популярные ИИ-приложения, такие как Microsoft Copilot и Perplexity, работают как специализированные интерфейсы, построенные на базовых моделях, в первую очередь используя архитектуру GPT от OpenAI через интеграцию по API. Хотя эти продукты предлагают уникальные возможности (Copilot для рабочих процессов в продуктивности, Perplexity для поиска с указанием источников), их базовые возможности опираются на ту же технологическую основу, что и ChatGPT. Эта структура экосистемы показывает, как центры базовых моделей (Сан-Франциско) обеспечивают работу центров приложений по всему миру, создавая технологические зависимости, которые концентрируют контроль над базовым ИИ в определённых географических точках, несмотря на широкое внедрение ИИ на поверхностном уровне.

Таблица 4: Отраслевые и прикладные источники ИИ

Сфера Примеры центров и компаний Расположение
Промышленность и робототехника Siemens AI Lab, Boston Dynamics, Fanuc Мюнхен, Уолтем MA, Япония
Медицина и биоинформатика Google DeepMind, NVIDIA BioNeMo, Insilico Medicine Лондон, Санта-Клара CA, Бостон
Оборона и системы безопасности Palantir, Shield AI, Anduril Industries Денвер CO, Сан-Диего CA, Коста-Меса CA
Автомобилестроение и транспорт Tesla AI, Wayve, Toyota Research Institute Остин TX, Лондон UK, Лос-Альтос CA
Финтех и аналитика Bloomberg LP, AlphaSense, Databricks Нью-Йорк NY, Нью-Йорк NY, Сан-Франциско CA
Экология и климат ClimateAI, Tomorrow.io Калифорния, Бостон
Наука и суперкомпьютеры CERN, El Capitan/Frontier/Aurora (США), JUPITER (Германия) Женева, Швейцария, Ок-Ридж TN

Отраслевые ИИ больше не независимы

Медицинские, военные, промышленные и робототехнические системы ИИ больше не строятся с нуля: они создаются на основе базовых моделей, таких как GPT, Claude, Gemini, DeepSeek и других.

Примеры:

  • Siemens AI и Microsoft создают промышленную базовую модель
  • Medtronic и Tempus AI используют GPT для анализа клинических данных
  • Anduril и Palantir интегрируют модели OpenAI в оборонные системы

Это гибридная архитектура: специализированное ядро, объединённое с базовой моделью в роли когнитивного движка.

Таблица 5: География «точек происхождения ИИ»

Регион Характеристика Доля глобальных инвестиций в ИИ (2025)
США Ядро генеративного и мультимодального ИИ ~65%
Китай Суверенные ИИ-модели и национальный фокус на R&D ~8%
Канада Научные институты и развитие ИИ-таланта ~5%
Великобритания Коммерческая разработка ИИ и исследования ~4%
Европа (Франция, Германия) Открытый ИИ и промышленные приложения ~4%
Азия (Корея, Япония, Сингапур) Робототехника, автомобилестроение и локализация ~4%
Индия Корпоративные ИИ-сервисы и разработка ~3%
Израиль Кибербезопасность на основе ИИ и корпоративные приложения ~3%
Ближний Восток и другие Инвестиции в инфраструктуру и её внедрение ~4%

Два столпа ИИ: фундаментальные модели и отраслевые приложения

Глобальный ландшафт ИИ действует на двух различных, но взаимосвязанных уровнях:

1. Разработка базовых моделей — сосредоточены в США (65% инвестиций), Китае (8%), Канаде (5%) и Великобритании (4%), со специализированным вкладом Франции, Германии, Кореи и Израиля.
2. Отраслевые приложения ИИ — глобально распределённые системы, которые используют фундаментальные модели для специализированных задач в отраслях медицины, обороны, автомобилестроения и финансового сектора.

Ключевой вывод: Хотя создание базовых моделей остаётся крайне концентрированным (на США приходится 65% частных инвестиций), отраслевые приложения ИИ демонстрируют географическое разнообразие. Это формирует структуру зависимости, при которой глобальное внедрение ИИ опирается на технологические основы, контролируемые небольшим числом географических центров, преимущественно в Северной Америке.

Критические узкие места инфраструктуры

Крайний риск

TSMC Тайвань: 67.6% мирового рынка контрактного производства полупроводников (I кв. 2025). Единая точка отказа для всей экосистемы ИИ.

Монополия в аппаратном обеспечении

NVIDIA: 90% рынка ИИ-чипов. Контролирует темпы развития ИИ в мире.

Олигополия в облаках

AWS/Azure/GCP: 65-70% глобального рынка облачной инфраструктуры (2025). Зависимость от инфраструктуры.

Энергетическое преимущество

Китай: Субсидируемые энергозатраты позволяют обучать модели за $6 млн против $100+ млн на Западе.

Реальная власть — в инфраструктуре

  • TSMC (Тайвань) производит 67,6% мирового рынка контрактного производства полупроводников (1 кв. 2025)
  • NVIDIA (Санта-Клара) контролирует 90% рынка GPU
  • AWS, Azure и Google Cloud Platform контролируют 65–70% мирового рынка облачных инфраструктурных сервисов (2025)

Это означает, что любой сбой или санкции, направленные против этих узлов, могут парализовать всю глобальную экосистему ИИ.

Геополитический контроль удерживают немногие

  • Соединённые Штаты — проектирует чипы, владеет гипермасштабируемыми облачными провайдерами и контролирует около 75% мировых суперкомпьютерных мощностей
  • Тайвань — производит физические чипы
  • Китай — разрабатывает собственные аналоги и добивается технологического самообеспечения
  • Европа — фокусируется на регулировании и этике (AI Act, XAI, Edge AI)
  • Израиль и Канада — сильны в безопасности ИИ, аналитике и оборонных применениях

Тренд 2025–2027: концентрация продолжает расти

  • Модели с открытым исходным кодом (DeepSeek, Llama) и альтернативные модели (Mistral) предлагают альтернативы, но не разрушают монополию
  • Предметно-специализированные базовые модели появляются в медицине, праве и промышленной аналитике
  • ИИ всё чаще становится платформой, подобно Windows или iOS, и большинство приложений строится на основе базовых архитектур

2.2 Стратегические последствия семиуровневой структуры

Эта многоуровневая специализация создаёт несколько критических динамик зависимости:

Многоуровневые зависимости:

Центры приложений зависят от центров фундаментальных моделей, которые зависят от центров данных и знаний, которые зависят от центров облачной инфраструктуры, которые зависят от центров аппаратной инфраструктуры, которые зависят от центров энергетической инфраструктуры, которые зависят от центров сырья, что создаёт сложные геополитические уязвимости в технологическом суверенитете.

Распределение экономической ценности:

Центры сырья контролируют базовые цепочки поставок, центры энергетики получают арбитраж инфраструктуры, центры аппаратного обеспечения — маржу производства, облачные центры — маржу платформ, центры данных и знаний — культурную и языковую ценность, центры фундаментальных моделей — ценность интеллектуальной собственности, а центры приложений сосредоточены на эффективности внедрения и оптимизации под конкретные отрасли.

Контроль над инновациями:

Центры сырья и энергетики контролируют базовые ограничения, центры аппаратного обеспечения и фундаментальных моделей задают технологические стандарты и возможности, к которым должны адаптироваться остальные уровни; полупроводниковые ограничения и зависимость от редкоземельных металлов особенно влияют на направления глобального развития ИИ.

Специализация кадров:

Центры сырья привлекают инженеров по добыче и переработке, центры энергетики — специалистов по возобновляемой энергетике, центры аппаратного обеспечения — инженеров-полупроводниковиков, облачные центры — инфраструктурных инженеров, центры данных и знаний — лингвистов и специалистов по культуре, центры фундаментальных моделей — исследователей ИИ, а центры приложений сосредоточены на специалистах по внедрению и экспертах предметных областей.

Таблица 6: Анализ концентрации ИИ-талантов

Сравнение Сингапура и Сан-Франциско
Метрика Сингапур Сан-Франциско
Научное превосходство 95 90
Привлечение инвестиций 90 95
Качество инфраструктуры 95 85
Стратегический фокус Внедрение ИИ Разработка ИИ
Ключевой вывод: Сингапур лидирует по научному превосходству (95) и инфраструктуре (95), тогда как Сан-Франциско доминирует в привлечении инвестиций (95). Стратегические роли различаются: Сингапур сильнее во внедрении ИИ, Сан-Франциско — в разработке.

2.3 Рамка «умного города» (индекс умных городов IMD 2025)

Индекс умных городов IMD 2025 показывает, как города превращают технологические возможности в качество жизни граждан:

Ведущие умные города (фокус на качестве жизни):

  • Цюрих (Швейцария) - Шестой год подряд на первом месте, рейтинг AAA по обоим направлениям: структуры и технологии
  • Осло (Норвегия) - Оценки AAA за цифровую инфраструктуру и зелёную городскую среду
  • Женева (Швейцария) - Пионерские инструменты электронного правительства и международное сотрудничество
  • Дубай (ОАЭ) - Резкий рост с 12-го до 4-го места благодаря цифровой трансформации
  • Абу-Даби (ОАЭ) - Поднялся с 10-го до 5-го места благодаря инвестициям в инфраструктуру

Умные города (индекс IMD)

Умные города (индекс IMD 2025)
№1 Цюрих
6-й год подряд лидер
№2 Осло
AAA цифровая инфраструктура
№3 Женева
Пионер электронного управления
№4 Дубай
Вверх на 8 позиций (12-е → 4-е)
№5 Абу-Даби
Инвестиции в инфраструктуру

Ключевая закономерность успеха: Европейские города среднего размера преуспевают благодаря сбалансированному масштабу — передовые технологии без проблем мегаполисов, таких как пробки и загрязнение. Города Ближнего Востока демонстрируют самый быстрый прогресс благодаря масштабным, скоординированным инвестициям в инфраструктуру.

Соображения о масштабируемости: Модель города-государства Сингапура даёт уникальные преимущества (централизованное управление, высокая концентрация талантов), которые может быть трудно воспроизвести в более крупных и сложных федеративных системах. Модели успеха компактных, ресурсно-богатых городов требуют адаптации для более широкого внедрения.

2.4 Анализ конкретных городов: лидеры цепочки ценности ИИ

ПРЕВОСХОДСТВО ВНЕДРЕНИЯ ПРИЛОЖЕНИЙ

Сингапур: лидер по оптимизации эффективности ИИ-сессий

Глобальный лидер в оптимизации эффективности ИИ-сессий, первопроходец во внедрении стратегий кэширования в рамках инициативы Smart Nation 2.0 (финансирование $140M). Сингапур достигает 75% эффективности кэширования в государственных ИИ-системах, демонстрируя, как правильная оптимизация создаёт взаимодополняющий синергетический эффект с энергоэффективной инфраструктурой. Поддерживает самую высокую в мире плотность ИИ-специалистов внедрения: 5.3% занятости в стране (214,000 работников) при надбавке к зарплате 64% (IMDA 2025).

Монетарное управление Сингапура (MAS) в рамках Project Guardian сотрудничает с крупными международными финансовыми институтами над разработкой стандартов и нормативных основ токенизации финансовых активов, позиционируя Сингапур как главный хаб внедрения ИИ для финтеха. Такой системный подход к внедрению ИИ и управлению им наглядно демонстрирует продуманную стратегию прикладного внедрения.

Однако регуляторная база Сингапура сталкивается с серьёзными ограничениями в управлении генеративным ИИ. Исходная система AI Verify не может тестировать генеративный ИИ/LLM, что создаёт значительный регуляторный пробел именно в той области, которая определяет будущее развития ИИ. Чтобы решить эту задачу, Сингапур в мае 2024 года разработал Model AI Governance Framework for Generative AI, схему из девяти ключевых измерений для надёжного генеративного ИИ. Правительство также запустило «Project Moonshot», один из первых в мире инструментов оценки LLM, а в феврале 2025 года — Global AI Assurance Pilot. Несмотря на эти шаги, Сингапур сохраняет добровольную отраслевую схему, а не комплексное законодательство об ИИ, что отражает общемировую проблему регулирования быстро развивающихся систем генеративного ИИ.

Лидерство Сингапура в инфраструктуре выходит за рамки регулирования: инвестиции правительства в размере 270 млн сингапурских долларов в интеграцию квантовых HPC-систем NSCC позиционируют город-государство для прорывов в гибридных вычислениях, тогда как инвестиции Empire AI Consortium свыше 400 млн долларов демонстрируют институциональную приверженность Нью-Йорка совместной инфраструктуре исследований ИИ.

Дубай: лидер прикладного внедрения ИИ

Выдающийся лидер прикладного внедрения, занявший впечатляющее 4-е место в мировом рейтинге (±2-3 позиции с учётом погрешностей измерений) благодаря системному внедрению ИИ в государственных услугах. Управление трафиком на базе ИИ дало прирост эффективности 37%, удовлетворённость жителей онлайн-записью к врачу составила 84.5%, а обработкой цифровых документов 85.4% (конец 2025 года). Дубай показывает, как продуманное внедрение ИИ может быстро повысить эффективность городской среды.

ДОМИНИРОВАНИЕ ФУНДАМЕНТАЛЬНЫХ МОДЕЛЕЙ

Сан-Франциско: мировая столица базовых моделей

Глобальная столица базовых моделей, где располагаются создатели фундаментальных систем ИИ: OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini) и Meta (Llama 4). Насчитывает более 1 550 компаний в сфере ИИ (границы Области залива, определение «ИИ-нативных» компаний), на которые приходится 35% всех инженеров ИИ в США. В Калифорнии находятся 32 из 50 ведущих компаний в сфере ИИ в мире; крупные корпоративные обязательства включают инвестиции Salesforce в размере 15 млрд долларов за пять лет на развитие AI Incubator Hub. В Области залива занято на 630% больше специалистов по исследованиям ИИ, чем в других мировых городах, с фокусом на разработке базовых моделей на Слое 3 структуры зависимостей ИИ.

Лондон: европейский лидер внедрения ИИ

Европейский лидер внедрения ИИ, в котором размещено более 2,250+ компаний в сфере ИИ (территория Большого Лондона, включая предприятия, использующие ИИ) с акцентом на финансовые технологии и здравоохранение. Примерно 60% из более чем 1,300+ основных ИИ-компаний Лондона специализируются на внедрении ИИ в финтехе и здравоохранении. Исследовательское сотрудничество DeepMind с Moorfields Eye Hospital позволило достичь точности 94% в рекомендациях по направлению при более чем 50 заболеваниях сетчатки, демонстрируя способность Лондона внедрять передовые ИИ-исследования в реальных условиях.

Пекин: крупный хаб базовых моделей в Азии

Крупный хаб базовых моделей в Азии (рейтинг TOP-10: #2, 95.4 балла), где базируются DeepSeek и другие разработчики фундаментальных моделей, при этом основная разработка моделей в Китае всё больше концентрируется в Ханчжоу (Qwen/Alibaba). Здесь работают более 1,380+ стартапов (столичный регион Пекина, ограниченная публичная прозрачность), а государственная стратегия обеспечивает быстрое масштабирование: 48-66% финансирования стартапов направляется в компании в сфере ИИ (методология за 4 квартал 2025 года различается). Пекин выпускает в 4 раза больше университетских специалистов по ИИ, чем конкурирующие города, с упором на исследования и разработку моделей. Официальное внедрение обучения ИИ во всех начальных и средних школах Китая (запущено в 2025 году) поддерживает эту стратегию развития базовых моделей.

Таблица 7: Сравнение государственных стратегий в области ИИ (Q4 2025)

Модель политики Город Инвестиции Ключевые результаты Эффект
Общегосударственный подход Сингапур $140M Smart Nation 2.0 1.64% занятых в сфере ИИ $500M автономных сделок
Масштаб, движимый государством Пекин 61% финансирования стартапов $98B инвестиций В 4 раза больше выпускников, чем у конкурентов
Инновации в регулировании Лондон £10B после Brexit 1,300+ компаний 60% фокуса на здравоохранении
Рост на основе инфраструктуры Вашингтон (округ Колумбия) / Залив Сан-Франциско $3.3B федеральных расходов на R&D План действий в области ИИ 2025 Глобальное лидерство в области ИИ
Ключевой вывод: Программа Smart Nation 2.0 Сингапура ($140M) обеспечивает 1.64% занятых в сфере ИИ, масштаб под управлением государства в Пекине даёт $98B инвестиций и в 4 раза больше выпускников, инновации после Brexit в Лондоне создают более 1,300+ компаний, а модель роста на базе инфраструктуры США ($3.3B федеральных расходов на R&D) нацелена на мировое лидерство в ИИ через AI Action Plan 2025.

Стратегия Китая в цепочке создания стоимости ИИ: от производителя к глобальному дистрибьютору

Рост Китая в области ИИ подкреплён мощной государственной поддержкой и стремительным ростом объёма качественных научных публикаций. Согласно Nature Index Research Leaders 2025 (на основе данных за 2024 год), доля Китая достигла 32,122 — рост скорректированной доли на 17.4% — по сравнению с 22,083 у США. Китайские институты теперь занимают 43 из 100 ведущих мировых позиций в исследованиях, а Китайская академия наук сохраняет первое место в мире.

Хотя США сохраняют доминирование в инновациях в области фундаментальных моделей (40 моделей против 15 у Китая в 2024 году), Китай быстро сокращает разрыв в качестве. Различия в производительности больших языковых моделей (LLM) на ключевых бенчмарках (тест MMLU — Massive Multitask Language Understanding) к концу 2025 года сократились почти до паритета. Важная оговорка: академические бенчмарки, такие как MMLU, измеряют результаты стандартизированных тестов, но могут не отражать реальных возможностей, эффективности внедрения или успеха практического применения — в этих областях города, ориентированные на внедрение, могут демонстрировать более высокие результаты, несмотря на более низкие баллы в бенчмарках.

Стратегическое преимущество Китая заключается в поразительно эффективном внедрении ИИ: китайские города выступают одновременно разработчиками базовых моделей и экономически эффективными дистрибьюторами. Ключевые инновации сосредоточены на снижении затрат на «инференс», то есть на расходы по запуску обученных моделей. Китайские компании, такие как 01.ai, оптимизируют модели и аппаратное обеспечение, добиваясь конкурентных результатов при меньших вычислительных ресурсах. Как подробно описано в разделе о методологии, это создаёт значительное ценовое преимущество, которое стало центральным элементом конкуренции США и Китая в сфере ИИ.

Этот подход, ориентированный прежде всего на эффективность, обеспечивает распространение ИИ за счёт максимальной доступности. Пекин (5-е место в Global Startup Ecosystem Ranking 2025) использует огромные инфраструктурные преимущества, включая вычислительную мощность в 12 раз выше, чем у конкурирующих регионов, для масштабного и экономически эффективного развёртывания ИИ.

Глобальное влияние: Низкая стоимость инференса напрямую позволяет городам Азиатско-Тихоокеанского региона лидировать в массовых приложениях ИИ. Это ценовое преимущество ускоряет внедрение ИИ в развивающихся экономиках и даёт азиатским центрам базовых моделей преимущества в глобальной дистрибуции, с которыми западные ресурсоёмкие модели не могут конкурировать на чувствительных к цене рынках.

2.5 Политические выводы: возможность в экономике кэширования

Семиуровневая структура зависимости от ИИ выявляет критическое слепое пятно политики: хотя правительства по всему миру инвестируют триллионы в энергетическую инфраструктуру, 90-95% энергопотребления ИИ, приходящегося на нагрузки инференса, остаются неоптимизированными. Это представляет собой величайшую возможность для международного конкурентного преимущества в экономике ИИ.

Критическое окно для политики: требуется действие в ближайшей перспективе

Текущая глобальная траектория предполагает выделение триллионов на энергетическую инфраструктуру в ближайшие годы, тогда как развитые экономики добиваются 10-кратного преимущества в стоимости за счёт оптимизации кэша, которое основные политические рамки полностью игнорируют.

Недавние достижения китайского ИИ демонстрируют успех стратегии, ориентированной на эффективность: производительность GPT-5 при значительно более низких эксплуатационных затратах, достигнутая за счёт систематической работы над оптимизацией программного обеспечения, а не за счёт масштабирования аппаратного обеспечения.

Глобальная проблема энергии против эффективности

Современные государственные стратегии в области ИИ по всему миру делают ставку на масштабирование аппаратного обеспечения через масштабные инвестиции в энергетическую инфраструктуру. Однако такой подход игнорирует технологии оптимизации кэша, которые могут снизить энергопотребление на 50-75% за счёт программной эффективности.

Экономические последствия носят глобальный характер: национальные программы, ориентированные на эффективность, могли бы обеспечить более высокую производительность ИИ по сравнению с энергоёмкими построениями инфраструктуры, что означает потенциальную экономию сотен миллиардов из средств налогоплательщиков при сохранении технологической конкурентоспособности на международных рынках.

Международная конкурентная динамика

Возможности глобального лидерства в эффективности

  • Китай: систематическая стратегия оптимизации; стоимость обучения DeepSeek — $5.6M против $200M+ на Западе за сопоставимые возможности
  • Сингапур: глобальный лидер в оптимизации эффективности сессий в рамках программы Smart Nation
  • Страны Северной Европы: интеграция возобновляемой энергии с программами повышения эффективности ИИ
  • ЕС: €1 млрд инвестиций в план действий «AI Continent», ориентированный на оптимизацию

Страны всё чаще рассматривают энергоёмкие системы ИИ как неустойчивые. Развитые экономики, проводящие стратегии эффективности, включают регионы с высокой стоимостью энергии, развивающие собственные возможности оптимизации, и развивающиеся страны, ищущие альтернативы ресурсоёмким моделям внедрения ИИ.

Рекомендации по глобальной политической структуре

Краткосрочные международные меры

  • Оценка политики: Пересмотреть национальные обязательства по энергопотреблению ИИ в пользу альтернатив, повышающих эффективность
  • Государственные закупки: Требовать стандарты оптимизации кэша в государственных контрактах на ИИ
  • Экономические стимулы: Tax credits for organizations achieving >50% показателей эффективности ИИ
  • Демонстрационные программы: Внедрить оптимизацию на государственных объектах, чтобы подтвердить её эффективность

Среднесрочный стратегический ответ

  • Национальные программы повышения эффективности: Координировать внутренние инвестиции в инфраструктуру оптимизации
  • Лидерство в международных стандартах: Выступить площадкой для разработки глобальных стандартов эффективности ИИ
  • Технологическое партнёрство: Поддерживать отечественные отрасли в разработке технологий повышения эффективности
  • Конкурентная стратегия: Вывести эффективные национальные системы ИИ на позиции, конкурентоспособные на глобальном рынке

Срочность сроков: Глобальный конкурентный ландшафт в сфере ИИ во многом будет определён решениями, принятыми в ближайшей перспективе, между эффективностью и инвестициями в энергетическую инфраструктуру. Страны, которые поставят оптимизацию кэша выше масштабирования энергетики, получат постоянные преимущества в стоимости, позволяющие выходить на мировые рынки, тогда как страны, выбирающие энергоёмкие подходы, окажутся в структурно невыгодном положении на чувствительных к стоимости глобальных рынках.

2.6 Слой оркестрации: архитектура координации ИИ

В рамках семиуровневой структуры зависимости от ИИ слой оркестрации (уровень 5) выполняет функцию координирующего звена, которое превращает изолированные модели ИИ в согласованные, управляемые системы. Вместо добавления ещё одного технического компонента оркестрация обеспечивает логику управления, определяющую, как взаимодействуют различные элементы ИИ, когда они вызываются и в рамках каких экономических и нормативных ограничений работают.

Оркестрация против автоматизации: ключевое различие

В концептуальном плане, автоматизация выполняет дискретные задачи, тогда как оркестрация координирует целые процессы. Автоматизация отправляет один платёж, запускает одну модель или инициирует уведомление. Оркестрация объединяет эти шаги в сквозной рабочий процесс: приём данных, выбор моделей, применение генерации с дополнением поиском (retrieval-augmented generation), соблюдение политик доступа, журналирование действий и маршрутизацию результатов в последующие системы.

Парадигма «дирижёра»: Оркестрация выступает в роли «мозга» системы, обеспечивая централизованное управление распределённой инфраструктурой. Подобно дирижёру, управляющему оркестром, слой оркестрации обеспечивает согласованную работу всех компонентов для достижения общей цели, адаптируясь к изменениям и сохраняя производительность даже при сбоях отдельных компонентов.

Многоуровневая архитектура

На техническом уровне, оркестрация реализуется в виде промежуточного ПО (middleware), которое принимает запрос и разбивает его на подзадачи, обрабатываемые различными моделями, инструментами и агентами. Оно выполняет динамическую маршрутизацию между моделями (выбор между дешёвыми и дорогими моделями), управляет кэшированием, распределяет ресурсы GPU и памяти, контролирует задержки и стоимость токенов, а также обрабатывает сбои через повторные попытки, резервные варианты и плавную деградацию.

На операционном уровне, оркестрация обеспечивает наблюдаемость и контроль над сложными развёртываниями ИИ. Она централизует логирование, трассировку и метрики качества; применяет бизнес-правила и нормативные политики; и открывает дашборды, которые позволяют организациям и регуляторам видеть, как принимаются решения ИИ. Это особенно важно в областях повышенного риска, таких как финансы, здравоохранение и государственное управление.

На стратегическом уровне, оркестрация становится источником географической дифференциации и конкурентного преимущества благодаря экономике кэширования и оптимизации инференса.

Географическая специализация в оркестрации

Города, специализирующиеся на оркестрации, не обязательно создают крупнейшие базовые модели; вместо этого они преуспевают в интеграции и управлении ИИ в различных секторах:

  • Нью-Йорк: Координирует финансовые системы ИИ: алгоритмическую торговлю, управление рисками и оптимизацию портфелей, где оркестраторы направляют информацию между моделями, потоками данных и регуляторными ограничениями.
  • Лондон: Развивает межотраслевые возможности оркестрации для банковского сектора, страхования, юридических услуг и отраслей, где важно соблюдение требований.
  • Сингапур: Выступает государственным хабом оркестрации: использует ИИ для интеграции государственных услуг, транспорта, цифровой идентификации и инфраструктуры «умного государства» в рамках единой политики и управления кэшем.
  • Тель-Авив: Специализируется на оркестрации в сфере обороны и кибербезопасности, в реальном времени связывая данные мультисенсорных систем, модели обнаружения угроз и системы автономного реагирования.

Экономика кэширования: скрытое конкурентное преимущество

Важно, что именно на уровне оркестрации экономика кэширования и оптимизация инференса реализуются на практике. Как говорилось ранее, 90–95% глобального энергопотребления ИИ приходится на инференс, а не на обучение. Оркестраторы решают, когда ответ может быть выдан из кэша, когда повторно использовать промежуточные вычисления и когда переключиться на более дешёвые модели или локальную инфраструктуру.

Экономический эффект: Такие решения по оркестрации могут снизить эффективную стоимость инференса на 50–75%. Это объясняет, почему некоторые экосистемы добиваются преимущества в стоимости на порядок при схожих базовых архитектурах моделей. Так Китай добивается снижения стоимости в 27 раз ($2.19 против $60 за миллион токенов), а Сингапур получает прирост эффективности на 75%.

Эволюция зрелости оркестрации

Организации проходят через различные уровни зрелости оркестрации:

  • Уровни 0–2: Ручные процессы, переходящие к базовой автоматизации (скрипты, инфраструктура как код)
  • Уровни 3–4: Системы поддержки решений и прогнозирования на основе аналитики и машинного обучения
  • Уровень 5: Автономная оркестрация на базе ИИ с самообучением и самовосстановлением

Практическое применение в отраслях

Современная оркестрация обеспечивает:

  • Управление контейнерами и микросервисами: Kubernetes, оркестрирующий жизненные циклы приложений, автомасштабирование и поэтапные обновления
  • Координация конвейеров данных: Apache Airflow, управляющий рабочими процессами ETL/ELT в мультиоблачных средах
  • Координация ИИ-агентов: Мультиагентные системы, в которых специализированные агенты взаимодействуют через оркестрированные рабочие процессы
  • Автоматизация бизнес-процессов: Сквозная автоматизация рабочих процессов между подразделениями и системами

Будущая траектория: автономная координация

В более широкой цепочке создания ценности ИИ оркестрация превращает фрагментированный ландшафт моделей, инструментов и изолированных данных в связные системы, которыми можно управлять, которые можно масштабировать и оптимизировать с точки зрения экономики. Именно здесь новые парадигмы управления, такие как Constitutional AI, политики безопасности и отраслевое регулирование, реализуются на практике в реальном времени. По мере того как агентный ИИ становится более автономным и недетерминированным, уровень оркестрации всё чаще будет выступать основной поверхностью управления, через которую города, штаты и предприятия контролируют системное поведение ИИ на всей семиуровневой пирамиде зависимостей.

Стратегический вывод: Оркестрация — это не просто технический компонент, а стратегический уровень, который определяет эффективность, масштабируемость и экономическую результативность всей экосистемы ИИ. Понимание и развитие этого уровня становится ключевым конкурентным фактором для компаний и стран в глобальной гонке за лидерство в области ИИ.

3. ФИНАНСОВЫЕ УСЛУГИ И ЦЕПОЧКА СОЗДАНИЯ ЦЕННОСТИ ИИ: КОЛИЧЕСТВЕННЫЕ ИННОВАЦИИ

Содержание

3.1 Алгоритмическая торговля и высокочастотные финансы: финансовая революция ИИ

Финансовые рынки демонстрируют наиболее продвинутое применение цепочки создания стоимости ИИ в мире. Центры разработки базовых моделей создают фундаментальные системы алгоритмической торговли, а хабы внедрения приложений развёртывают и масштабируют эти технологии для массового использования. Такое разделение формирует чёткую географическую специализацию: создание алгоритмов сосредоточено в нескольких элитных центрах, а широкое внедрение происходит в финансовых центрах по всему миру.

ФУНДАМЕНТАЛЬНЫЕ АЛГОРИТМИЧЕСКИЕ ИННОВАЦИИ

Renaissance Technologies (Нью-Йорк): революция Ghost Trading

Ведущая количественная компания в области базовых моделей, которая достигла «священного Грааля» алгоритмической торговли: оригинальные исследования создают собственные системы ИИ, превращающие сырые рыночные данные в беспрецедентную доходность. Доходность фонда Medallion с 1988 года: 66% годовых до комиссий (39% после комиссий), что демонстрирует исключительные возможности базовых моделей при создании систем алгоритмической торговли.

Инновация «призрачной торговли» (IV кв. 2025): Renaissance разрабатывает оригинальные системы ИИ для «распознавания паттернов», которые выявляют неэффективности рынка, невидимые для традиционного анализа. Эти базовые модели обрабатывают огромные массивы данных в реальном времени, создавая новые математические основы для прогнозирования рынка. Позднее эти технологии адаптировали глобальные квантовые фонды.

Ключевые показатели эффективности (IV кв. 2025):

  • Medallion Fund: прибыль $7 млрд
  • Ежедневные сделки ИИ: 10M+
  • Зарплаты в сфере ИИ в Сан-Франциско: $350K+

ВНЕДРЕНИЕ ПРИЛОЖЕНИЙ, РАСПРЕДЕЛЕНИЕ ПЛАТФОРМ: ГЛОБАЛЬНО

Платформа BlackRock Aladdin (штаб-квартира в Нью-Йорке, глобальное использование)

Обрабатывает объём данных, эквивалентный 8 миллионам романов ежедневно (4 кв. 2025). BlackRock управляет активами на 13,5 трлн долларов; платформа Aladdin, выступающая программным обеспечением для управления рисками глобальных финансовых институтов, обрабатывает 21,6 трлн долларов совокупных активов клиентов (по состоянию на 2020 год, последняя раскрытая цифра). Демонстрирует сложную модель внедрения приложений: технология, разработанная в Нью-Йорке, выявляет рыночные риски на 30% быстрее традиционных методов, затем распространяется на глобальные рынки внедрения приложений.

Сроки окупаемости по секторам

Возврат на инвестиции во внедрение ИИ заметно различается по секторам: здравоохранение и финансовые услуги показывают самые быстрые результаты, тогда как производству и госсектору требуются стратегии долгосрочных инвестиций.

БЫСТРАЯ ОКУПАЕМОСТЬ: 12–24 месяца
24 месяца
Здравоохранение
Финансовые услуги

Чёткие операционные выгоды, понятные метрики, налаженные рабочие процессы

СРЕДНЯЯ ОКУПАЕМОСТЬ: 18–36 месяцев
36 месяцев
Транспорт
Розничная торговля и электронная коммерция
Энергетика и коммунальные услуги

Сложные интеграции, требуется модернизация инфраструктуры

ДОЛГОСРОЧНАЯ ОКУПАЕМОСТЬ: 24–48 месяцев
48 месяцев
Производство
Госуправление
Сельское хозяйство

Системные изменения, соблюдение нормативных требований, культурная адаптация

Факторы быстрой окупаемости
  • Понятные операционные метрики
  • Налаженные конвейеры данных
  • Нормативные рамки
  • Немедленная экономия затрат
Факторы средней окупаемости
  • Модернизация инфраструктуры
  • Сложность интеграции
  • Требования к обучению пользователей
  • Постепенный прирост эффективности
Факторы долгосрочной окупаемости
  • Культурная трансформация
  • Регуляторная адаптация
  • Развитие экосистемы
  • Стратегическое позиционирование

3.2 Количественная революция в финансах: цепочка создания ценности ИИ в действии

Таблица 8: Продвинутые финансовые применения ИИ (IV кв. 2025)

Фирма / инновация Ключевой показатель Центр Технологии Влияние на рынок
Renaissance Technologies $1 → $100M+ окупаемости с 1980-х Нью-Йорк, Лондон Ghost Trading, ML более 10 млн ежедневных сделок, доходность 30% в 2025
Two Sigma Analytics Парковки Walmart → прогноз прибыли Сан-Франциско Анализ спутниковых снимков, ML Рынок альтернативных данных свыше $2 млрд
Швейцарский банковский ИИ Анализ выражения лица в реальном времени Цюрих Компьютерное зрение, эмоциональный ИИ Оценка рисков в private banking
BlackRock Aladdin $21.6 трлн обработано по всему миру Глобальная платформа Управление рисками, автоматизация Ежедневный анализ более 5 млн сценариев
Ключевой вывод: Renaissance Technologies обеспечивает окупаемость $1 → $100M+ при 10M+ ежедневных сделок, Two Sigma использует спутниковые снимки для прогнозирования доходов по отчётности, BlackRock глобально обрабатывает $21.6T за счёт автоматизации.

ИИ-ПРОИЗВОДЯЩИЕ КОЛИЧЕСТВЕННЫЕ ИННОВАЦИИ

Bridgewater Associates (Уэстпорт, штат Коннектикут)

Разрабатывает собственную систему «Culture AI», которая обеспечивает раннее предупреждение об экономических сигналах и обнаружение аномалий рынка, создавая оригинальные фреймворки ИИ для выявления новых финансовых рисков. Лидирует в развитии гибридных квантово-ИИ систем, решающих задачи оптимизации портфеля в 1 миллиард раз быстрее традиционных методов (показатели производительности за 4 квартал 2025 года). Создаёт базовые технологии ИИ, которые позднее адаптируются глобальными управляющими активами.

Two Sigma Analytics (Нью-Йорк)

Создаёт передовую монетизацию альтернативных данных с помощью спутникового ИИ, который анализирует парковки Walmart для прогнозирования отчётности до её публикации. Демонстрирует высокий уровень мастерства в производстве ИИ: разработка оригинальных систем компьютерного зрения, анализа спутниковых снимков и прогностических моделей, которые извлекают сигналы из нетипичных источников данных. Эти собственные системы ИИ дают информационное преимущество, измеряемое часами или днями, и представляют собой передовое производство ИИ для финансовых рынков.

ВНЕДРЕНИЕ ПРИЛОЖЕНИЙ: ФИНАНСОВОЕ ПРЕВОСХОДСТВО

Швейцарский банковский ИИ (Цюрих)

Внедряет продвинутое управление благосостоянием на основе ИИ через сложные платформы моделирования рисков, разработанные в других местах. Использует технологии машинного обучения (созданные в центрах базовых моделей) для оптимизации портфеля и соблюдения регуляторных требований, демонстрируя развитое прикладное внедрение при сохранении стандартов банковской конфиденциальности Швейцарии. Служит примером высокоценного внедрения ИИ без разработки базовых моделей.

3.3 Квантаментальные подходы и этика: глобальные стандарты внедрения ИИ

Адаптация гибридной модели ИИ и человека (данные 4 квартала 2025 года)

Квантаментальные подходы, сочетающие ИИ с человеческим суждением, снижают алгоритмические предубеждения с помощью этических рамок; по состоянию на 4 квартал 2025 года их применяют 62% мировых финансовых компаний. Ключевые технологические компоненты включают:

  • Генеративный ИИ для автоматической генерации отчётов (CAGR 26.92%, прогноз на 2025–2032 годы)
  • Системы управления рисками в реальном времени, выявляющие аномалии рынка
  • Фреймворки Constitutional AI (CAI), обеспечивающие ответственное внедрение ИИ в финансах

Проблемы внедрения (анализ 2025 года)

Новые паттерны адаптации мошенничества подчёркивают критическую необходимость гибридных моделей «человек–ИИ» в финансовых центрах. Высокие вычислительные затраты создают барьеры: OpenAI тратит примерно $5 млрд в год на вычислительную инфраструктуру (оценки 2025 года), что подчёркивает экономические преимущества недорогих моделей инференса Китая для массового внедрения ИИ в финансах.

3.4 Регуляторные инновации и инициативы центробанков в области ИИ: управление цепочкой создания ценности

3.4.1 MAS Project Guardian: регуляторное превосходство во внедрении приложений ИИ в Сингапуре

Статус на 4 квартал 2025 года

Денежно-кредитное управление Сингапура (MAS) руководит проектом Project Guardian, который является примером продвинутой стратегии прикладного внедрения в регулировании. Эта совместная инициатива с крупными международными финансовыми институтами повышает ликвидность и эффективность рынка за счёт токенизации активов, внедряя (а не разрабатывая) передовые технологии ИИ и блокчейна. Проект функционирует как трансграничная «песочница» для децентрализованных финансов (DeFi), тестируя реальные сценарии использования токенизированных фондов, облигаций и банковских обязательств с участием ведущих мировых банков и управляющих активами.

Ключевые цели внедрения ИИ (рамочная программа 2025 года)
  • Создание открытых, совместимых сетей, интегрирующих существующую финансовую инфраструктуру через смарт-контракты на основе ИИ
  • Разработка стандартизированных протоколов и регуляторных рамок для токенизированных финансовых активов с использованием проверенных технологий ИИ
  • Создание «якорей доверия», то есть регулируемых финансовых институтов, которые верифицируют цифровые активы в среде DeFi с помощью систем безопасности и комплаенса на базе ИИ
Продемонстрированные возможности потребления ИИ (4 квартал 2025 года)

Участники, включая Kinexys и Apollo, продемонстрировали продвинутое внедрение технологий блокчейна и ИИ для автоматизированного дискреционного управления портфелем. Использование смарт-контрактов, усиленных принятием решений на основе ИИ, стандартизирует процессы подписки и выкупа и одновременно эффективно масштабирует персонализацию портфеля. Это демонстрирует продвинутое потребление ИИ в контролируемых регуляторных средах и укрепляет позицию Сингапура как ведущего мирового хаба внедрения финтеха и центра ответственного внедрения ИИ.

Связанная инициатива — BIS Project Nexus (внедрение ИИ в Азиатско-Тихоокеанском регионе): Проект Nexus Инновационного хаба BIS (с участием центральных банков Индии, Малайзии, Филиппин, Сингапура и Таиланда) демонстрирует региональную стратегию прикладного внедрения, связывая национальные системы мгновенных платежей через трансграничную обработку транзакций с использованием ИИ. Дополняет более широкую экосистему финансовых инноваций Сингапура за счёт совместного внедрения ИИ, а не разработки.

3.4.2 Банк Англии: регуляторные инновации во внедрении ИИ в Лондоне

Стратегическая позиция на 4 квартал 2025 года

Банк Англии (BoE) демонстрирует регуляторное лидерство во внедрении ИИ, признавая, что технологические достижения в области ИИ и DLT глубоко меняют мировую финансовую систему. Стратегия BoE предполагает внедрение продвинутого предписывающего ИИ (Prescriptive AI) — сложных систем ИИ, которые выходят за рамки прогнозирования (предиктивный ИИ) или описания (описательный ИИ), анализируя огромные объёмы данных для рекомендации конкретных финансовых решений и действий.

Применение предписывающего ИИ (2025)
  • Мониторинг финансовой стабильности и системы раннего предупреждения (оригинальные алгоритмы BoE)
  • Обнаружение мошенничества в реальном времени в платёжных системах (фундаментальные модели для глобального внедрения)
  • Модели оценки рыночных рисков и оптимизации портфеля (фреймворки, экспортированные в другие центральные банки)
Сотрудничество с BIS Innovation Hub — производственный центр ИИ в Лондоне

BoE сотрудничает с BIS Innovation Hub в Лондоне, чтобы разрабатывать (а не только внедрять) оригинальные архитектуры ИИ для выявления новых паттернов финансового мошенничества в системах мгновенных платежей в реальном времени. Это фундаментальное исследование создаёт продвинутую аналитику для выявления аномальных паттернов, указывающих на финансовые преступления или системные риски, — технологии, которые впоследствии переняли центральные банки по всему миру.

Примечание о различии Project Nexus: Project Nexus (инициатива BIS Innovation Hub с центральными банками Азии: Индия, Малайзия, Филиппины, Сингапур, Таиланд) ориентирована на внедрение проверенных технологий мгновенных платежей, а не на разработку новых фреймворков. Это отличает роль Лондона в разработке фундаментальных моделей от совместного подхода Азиатско-Тихоокеанского региона, ориентированного на применение.

Стратегическое следствие — глобальная цепочка создания ценности ИИ в финансах

Центральные банки демонстрируют чёткую географию цепочки создания стоимости ИИ: Лондон (BoE) создаёт фундаментальные предписывающие технологии ИИ для глобальной финансовой стабильности, а Сингапур (MAS) преуспевает во внедрении и масштабировании проверенных фреймворков ИИ через совместные регуляторные песочницы. Это указывает на переход финансовой системы к развёртыванию агентного ИИ через специализированные географические роли: производственные центры создают оригинальные алгоритмы, а центры внедрения адаптируют их для массового применения.

4. НОВЫЕ ТЕНДЕНЦИИ И ПЕРСПЕКТИВЫ БУДУЩЕГО: ЭВОЛЮЦИЯ ЦЕПОЧКИ СОЗДАНИЯ ЦЕННОСТИ ИИ

Содержание

Анализ ускорения роста (IV кв. 2025)

Темп превышает расширение экономики облачных вычислений и мобильных приложений 2010-х годов и представляет собой самое быстрое технологическое внедрение в современной экономической истории. Последний прогноз МВФ подтверждает, что ИИ повышает мировой ВВП на 15%, что говорит об устойчивом глобальном росте на уровне 3,2%.

Таблица 9: Прогнозы роста рынка ИИ по источникам (текущий период — 2030)

Источник прогноза Текущий объём рынка Прогноз на 2030 год Кратность роста CAGR
Grand View Research $390B $1.77T 4.5x 35.2%
Fortune Business Insights $638B $3.68T 5.8x 42.1%
McKinsey & Company $450B $2.10T 4.7x 36.5%
Stanford AI Index $371B $1.85T 5.0x 38.0%
Консенсус-диапазон $371-639B* $1.85-3.68T 4,6x в среднем 38% в среднем

Методологическое примечание: Диапазон $371–639B отражает различные подходы к измерению: нижняя граница охватывает только базовое программное обеспечение и платформы ИИ, тогда как верхняя включает оборудование, услуги и внедрение, связанные с ИИ. Азиатские методологии часто учитывают государственные инвестиции в ИИ, которые не входят в западные расчёты.

Ключевой вывод: Прогнозы рыночного консенсуса по ИИ предполагают рост в 4,6 раза до $1,85–3,68 трлн к 2030 году при среднегодовом темпе роста (CAGR) 38%. Fortune Business Insights лидирует с CAGR 42,1% (прогноз $3,68 трлн), что представляет собой самое быстрое внедрение технологий в истории.

Рост инвестиций в инфраструктуру: гонка капитала центров фундаментальных моделей (данные 2025 года)

Гиперскейлеры суммарно направили 417 млрд долларов на капитальные расходы в 2025 году. Эти беспрецедентные инвестиции нацелены на ИИ-инфраструктуру в регионах фундаментальных моделей: развёртывание GPU, дата-центры и сопутствующая энергетическая инфраструктура, сконцентрированные в районе залива Сан-Франциско, Сиэтле и отдельных международных хабах.

Инвестиции в ИИ по регионам

Инвестиции в ИИ по регионам (2025)
США
$526B (72%)
Китай
$120B (16%)
EU
$50B (7%)
Остальные
$30B (4%)
Всего: $726 млрд глобальных инвестиций в ИИ

Таблица 10: Потоки инвестиций в ИИ по ведущим городам (4 кв. 2025)

Город Общий объём инвестиций Компании Ключевой показатель
Сан-Франциско $164B 4,255 компаний в сфере ИИ 35% таланта из США
Пекин $98B 2,100+ компаний 61% — фокус на стартапах
Лондон £10B 1,300+ компаний в сфере ИИ 60% — здравоохранение
Сингапур $140M — государство 900+ стартапов 1.64% рабочей силы в ИИ
Ключевой вывод: Сан-Франциско лидирует с инвестициями в $164 млрд и 4 255 ИИ-компаниями (35% американских талантов), Пекин следует с $98 млрд и фокусом на стартапах 61%, Лондон достигает £10 млрд со специализацией на здравоохранении 60%.

Концентрация инвестиций в городах-производителях ИИ

  • Meta Platforms (Менло-Парк): Капитальные расходы $66–72 млрд (рост на 70% г/г), цель: 1,3+ млн GPU к концу 2025 года
  • Alphabet/Google (район залива Сан-Франциско): Существенный рост капитальных расходов на ИИ-инфраструктуру
  • Amazon (Сиэтл): Крупные инвестиции в дата-центры и возможности облачного ИИ
  • Microsoft (Редмонд): Агрессивное расширение мощностей дата-центров для ИИ-нагрузок
  • Oracle, OpenAI, SoftBank: Обязательство Stargate на $500 млрд для ИИ-инфраструктуры США, первые площадки уже работают (2025)

Географическое влияние: Центры базовых моделей получают непропорционально большие инвестиции в инфраструктуру, тогда как центры внедрения приложений выигрывают от улучшенного доступа к этим вычислительным ресурсам через облачное развёртывание и распределённые edge-вычисления.

Геополитические зависимости и концентрация инфраструктуры

Семиуровневая структура зависимости ИИ создаёт беспрецедентные геополитические уязвимости. Концентрация сырья в Китае (90% переработки редкоземельных металлов) и зависимости от «литиевого треугольника» создают фундаментальные риски. Концентрация аппаратной инфраструктуры на Тайване (TSMC) и в Южной Корее (Samsung) создаёт единые точки отказа для всей глобальной экосистемы ИИ. Разработка фундаментальных моделей сосредоточена в США и Китае, а центры внедрения приложений по всему миру зависят от всех вышестоящих уровней.

Критические зависимости инфраструктуры

  • Узкое место в сырье: Китай контролирует 90% переработки редкоземельных металлов, критически важных для ИИ-оборудования
  • Энергетическая инфраструктура: Обучение ИИ требует огромных энергетических ресурсов, которые концентрируют потребление энергии в отдельных регионах
  • Узкое место в полупроводниках: 90% передовых чипов ИИ производится на Тайване и в Южной Корее, что создаёт системную уязвимость
  • Облачная инфраструктура: AWS, Google Cloud и Microsoft Azure контролируют 70% мировой облачной инфраструктуры, обслуживающей ИИ-нагрузки
  • Зависимости в оркестрации: Возможности координации сложных ИИ-систем сосредоточены в финансовых и государственных центрах
  • Концентрация фундаментальных моделей: 80% ведущих моделей разработано в США (район Сан-Франциско) и Китае (Ханчжоу, Пекин)
  • Уязвимости прикладного уровня: Экспертиза внедрения сосредоточена в отдельных глобальных хабах

Стратегические последствия: Страны, стремящиеся к суверенитету в сфере ИИ, должны развивать возможности на всех семи уровнях, но требования к капиталу (предприятия переработки редкоземельных металлов, $100 млрд+ на передовые полупроводниковые фабрики, $10 млрд+ на разработку фундаментальных моделей) создают барьеры, которые немногие страны могут преодолеть самостоятельно. Это стимулирует формирование стратегических альянсов и технологических партнёрств на всех уровнях зависимости.

Глобальная траектория рынка ИИ (2026–2030)

  • Текущий объём рынка: $371–639 млрд (зависит от методологии, оценки 4 кв. 2025)
  • Прогноз на 2030 год: $1,85 трлн, консенсус
  • Кратность роста: в 4,6 раза за 5 лет
  • Совокупный рост: 363%
  • Значение для цепочки создания стоимости: Центры фундаментальных моделей получают более высокую маржу на базовых моделях, а центры внедрения приложений выигрывают от массового развёртывания и услуг по внедрению

Четыре стратегических сдвига, меняющих глобальную конкуренцию

Мегаинвестиции в инфраструктуру встречают эффективностную революцию

К концу 2025 года консорциум под руководством BlackRock приобрёл Aligned Data Centers за 40 млрд долларов — крупнейшую сделку с дата-центрами в истории. Капзатраты гипермасштабных компаний достигли 364 млрд долларов за 2025 год (Meta 66–72 млрд, Microsoft 88,7 млрд за финансовый 2025 год, Google 85 млрд, Amazon 118,5 млрд), что заложило беспрецедентную основу инфраструктуры. Однако у этой гонки есть экзистенциальное напряжение: стоимость инференса упала в 280 раз с ноября 2022 года (Stanford HAI), а китайские модели достигают сопоставимой производительности при в 10 раз меньшей стоимости (DeepSeek 0,55 доллара против 15 долларов у OpenAI за миллион токенов). Стратегический вопрос: будут ли масштаб или эффективность определять конкурентные преимущества?

Агентный ИИ выходит на промышленный масштаб

Развёртывание корпоративных ИИ-агентов достигло зрелости к концу 2025 года. Опросы PwC показывают, что 79% предприятий внедряют ИИ-агентов с измеримой окупаемостью: Reddit добился снижения обращений на 46%, у Best Buy самообслуживание выросло на 200%, а Google Cloud установил, что 88% лидеров агентного ИИ получают отдачу. Крупные запуски 2025 года включали Claude Opus 4 (72.5% в SWE-bench для программирования), Salesforce Agentforce, обслуживающий 12 000 клиентов, и 30 промышленных агентов C.H. Robinson, экономящих более 300 часов ежедневно. Однако Gartner предупреждает, что более 40% проектов будут свёрнуты к 2027 году из-за затрат и неясной ценности, — это отделит зрелых внедрителей от экспериментаторов.

Разрыв в производительности между США и Китаем сокращается до 0,3%

Washington Post заявила в четвёртом квартале 2025 года, что «Китай теперь лидирует над США в этом ключевом направлении гонки ИИ», ссылаясь на доминирование китайских моделей с открытым исходным кодом в топе рейтингов. Stanford HAI зафиксировал сближение: разрыв в производительности сократился с 20% (2023) до всего 0,3% (2024) по бенчмаркам MMLU/HumanEval. Примечание об ограничениях бенчмарков: эти академические показатели могут не учитывать различия в готовности к коммерческому внедрению, нормативном соответствии или эффективности в реальных приложениях, которые благоприятствуют разным региональным подходам. Ling-1T от Ant Group (1 трлн параметров, выпущена в четвёртом квартале 2025 года) превзошла GPT-5 в математике. Преимущество Китая заключается в инженерной эффективности: официальный тренировочный запуск DeepSeek стоит $5,58 млн (без учёта НИОКР и инфраструктуры; общие затраты на разработку, по оценкам аналитиков, $500 млн+) против $58 млн+ у Meta Llama. Это демонстрирует алгоритмическую оптимизацию, а не простое снижение затрат. Для ИИ-городов утончённость программного обеспечения всё больше соперничает с масштабом аппаратного обеспечения в определении конкурентного преимущества.

Ускорение трансформации рабочей силы

WEF прогнозирует, что к 2030 году 60% рабочей силы потребуется переобучение, при этом 94% руководителей сталкиваются с нехваткой специалистов на критически важные для ИИ роли. В течение 2025 года крупные компании обязали сотрудников пройти комплексное обучение ИИ: Citi — 175 000 сотрудников, а данные LinkedIn показывают, что спрос на навыки ИИ вырос в шесть раз год к году. Разрыв между внедрением ИИ (78% организаций по данным McKinsey) и получением ценности (лишь 1% сообщают о «зрелом» внедрении, 25% достигают ожидаемой окупаемости) отражает эту нехватку талантов. Города, инвестирующие в комплексную инфраструктуру грамотности в области ИИ, получают возможность использовать преимущества разработки фундаментальных моделей, а центры применения с образованным населением превращают прирост производительности в рост.

Ключевой вывод: Несмотря на то что 37% руководителей C-suite планируют инвестиции в L&D для обучения ИИ, внедрение сильно отстаёт: лишь 6% организаций начали повышение квалификации «содержательным образом». Это создаёт критический разрыв: 79% работников хотят обучения ИИ, но 57% считают усилия своей компании недостаточными, что подчёркивает срочную необходимость системных стратегий развития персонала.

5. КЕЙС: ПОЛИТИЧЕСКАЯ ТРАНСФОРМАЦИЯ В НЕПАЛЕ, ОПОСРЕДОВАННАЯ ИИ

Содержание

Прецедент Непала: роль ChatGPT в выборе лидера

Хотя этот отчёт посвящён трансформации городских экономик ИИ и специализации семиуровневой цепочки создания стоимости, недавние события в Непале (сентябрь 2025) демонстрируют, как города фундаментальных моделей такие как Сан-Франциско (где была разработана ChatGPT), теперь влияют на управленческие решения в не-ИИ городах по всему миру, иллюстрируя широкий охват специализированной цепочки создания стоимости ИИ за пределами её географических истоков.

Обзор событий

После введённой правительством 4 сентября 2025 года блокировки 26 платформ социальных сетей (включая YouTube, Facebook, Instagram, WhatsApp и Twitter) в Непале в течение пяти дней шло восстание, которое привело к отставке правительства премьер-министра К.П. Шармы Оли. Уникальность этого случая заключается не в самом протесте, а в технологической инфраструктуре, которая его обеспечила, и в процессе, опосредованном ИИ, который последовал за ним.

Ключевые показатели:
  • 160 000+ участников на сервере Discord «Youth Against Corruption»
  • 51–72 погибших во время протестов (по разным источникам)
  • 1 300+ раненых
  • 5 дней от блокировки до падения правительства
  • Первый задокументированный случай, когда ИИ напрямую повлиял на выбор главы государства

Цифровая инфраструктура революции

Протестующие, в основном из поколения Z, обошли блокировку социальных сетей, организуясь через Discord, игровую платформу для коммуникации, которую власти не ограничивали. Сервер превратился в то, что участники называли «новым парламентом Непала», с отдельными каналами для проверки фактов, логистики протестов, медицинской помощи и отслеживания действий полиции. Национальное телевидение транслировало обсуждения Discord в прямом эфире, а представители военных вели переговоры напрямую с модераторами сервера, включая 19-летнего выпускника средней школы Шашвота Ламичхане.

ChatGPT как политический консультант

В вакууме власти после падения правительства участники Discord столкнулись с беспрецедентным вопросом: как выбрать временного лидера без традиционных политических институтов. Сообщество составило короткий список из пяти кандидатов через открытые номинации и экспертную фильтрацию:

  • Харка Сампанг (мэр Дхарана)
  • Махабир Пун (общественный активист)
  • Сагар Дхакал (независимый политик, инженер с образованием в Оксфорде)
  • Бален Шах (рэпер, мэр Катманду)
  • Сушила Карки (бывший председатель Верховного суда, 2016–2017)

Затем участники обратились к ChatGPT, предоставив подробные профили кандидатов и попросив рекомендацию. Ответ ИИ был однозначным:

«Если бы выбор был за мной, я склонялся бы к Сушиле Карки в качестве главы временного правительства [...] Для постоянного правительства после выборов я рекомендовал бы Балена Шаха.»

После последующего голосования в Discord, отражавшего рекомендацию ChatGPT, 73-летняя Сушила Карки, бывшая председательница Верховного суда в отставке, была назначена временным премьер-министром 12 сентября 2025 года, став первым в истории Непала главой правительства-женщиной.

Аналитические рамки: последствия для управления ИИ

Этот случай поднимает важные вопросы о роли ИИ в политическом принятии решений:

  • Демократизация экспертизы: ChatGPT обеспечил мгновенный доступ к аналитическим возможностям, которые традиционно требовали обширной инфраструктуры политического консалтинга, что потенциально выравнивает условия для движений, не имеющих институциональных ресурсов.
  • Алгоритмическая легитимность: Рекомендация ИИ стала катализатором консенсуса в высокополяризованной среде. Это говорит о том, что в определённых контекстах алгоритмический авторитет может иметь вес, сопоставимый с традиционной экспертизой.
  • Платформенная политика: Превращение Discord из игровой платформы в политическую инфраструктуру показывает, как нерегулируемые цифровые пространства могут становиться инструментами построения государства, когда традиционные каналы заблокированы или им не доверяют.
  • Генерационный разрыв: Медианный возраст в Непале — 25,1 года. Для представителей поколения Z (40% населения) консультироваться с ИИ по важным решениям так же естественно, как для предыдущих поколений было обращение к экспертам или институтам, — это фундаментальный сдвиг в эпистемологическом авторитете.

Геополитический контекст

Положение Непала между Индией и Китаем добавляет сложности. Пекинская ориентация премьер-министра Оли и время блокировки социальных сетей (сразу после его визита в Китай) породили предположения о китайском влиянии. Последующий выбор руководства через американские платформы (Discord) и американский ИИ (ChatGPT от OpenAI) представляет собой цифровой геополитический сдвиг с потенциальными последствиями для технологической ориентации региона.

Экономические факторы были не менее важны: около 20% безработицы среди молодёжи в сочетании с тем, что многие молодые непальцы зарабатывают через онлайн-платформы, означали, что блокировка соцсетей буквально угрожала экономическому выживанию. Протест касался цифровых экономических прав не меньше, чем политических свобод.

Методологическая осторожность

Важная оговорка: Эти события произошли в сентябре 2025 года. Хотя о них сообщали многие источники, включая Al Jazeera, The New York Times и The Kathmandu Post, исключительный характер заявлений требует продолжения проверки. Исследователям следует рассматривать это как предварительные данные, требующие независимого подтверждения со стороны международных организаций мониторинга, официальных заявлений OpenAI и Discord Inc., доступа к архивам серверов Discord (если они доступны) и полевых интервью с участниками.

Значение для системы оценки ИИ-городов

Хотя Непала нет среди ведущих центров базовых моделей, проанализированных в этом отчёте, этот случай показывает, что трансформирующее влияние ИИ на управление может проявиться в неожиданных местах, особенно там, где:

  • Молодая демография формирует популяции, выросшие в цифровой среде
  • Дефицит доверия к институтам создаёт спрос на альтернативные механизмы принятия решений
  • Экономическая зависимость от цифровых платформ повышает ставки доступа в интернет
  • Геополитическое положение делает выбор технологий стратегически значимым

Это говорит о том, что влияние цепочки создания стоимости ИИ выходит за пределы центров производства в сферу потребления, которая меняет политические структуры. Эта динамика заслуживает наблюдения по мере того, как генеративный ИИ становится повсеместным. Для анализа ИИ-городов это показывает, как центры фундаментальных моделей (Сан-Франциско) и города внедрения приложений (такие как Сингапур, рассмотренный в нашем разделе о финансовых услугах) теперь распространяют влияние далеко за пределы своих географических границ, перестраивая управление во всей семиуровневой структуре зависимости от ИИ.

6. ПАРАДИГМАЛЬНЫЙ СДВИГ: ОТ ГЕНЕРАТИВНОГО ИИ К АГЕНТНОМУ ИИ

Содержание

6.1 Появление агентного ИИ: трансформация цепочки создания стоимости

Q4 2025: критический переход в цепочке создания стоимости ИИ

Глобальный ландшафт ИИ отмечает критический переход от генеративного ИИ к агентному ИИ, то есть к автономным системам, способным принимать самостоятельные решения и выполнять сложные задачи. Этот сдвиг принципиально меняет географию цепочки создания стоимости ИИ, поскольку агентный ИИ требует как разработки базовых моделей (в центрах базовых моделей), так и продвинутых систем внедрения (в центрах внедрения приложений).

Определение и архитектура агентного ИИ

Агентный ИИ — это автономные системы искусственного интеллекта, которые ставят высокоуровневые цели, планируют шаги выполнения и решают сложные задачи с минимальным участием человека. В отличие от традиционного реактивного ИИ, который следует заранее заданным правилам, агентный ИИ проактивен и адаптивен: он использует большие языковые модели (LLM) в качестве «мозга», чтобы координировать действия через инструменты и внешние системы.

Ключевые возможности агентного ИИ (конец 2025)
  • Автономная ребалансировка портфеля на основе смарт-контрактов (финансовый сектор)
  • Проактивная оптимизация логистики (мониторинг погоды, прогнозирование сбоев, перенаправление отправлений)
  • Предвосхищение потребностей и проблем, а не простое реагирование на них
  • Самостоятельное выполнение полных корпоративных рабочих процессов
  • Независимое контекстное принятие решений в финансовой торговле и управлении рисками
Влияние на цепочку создания стоимости ИИ
  • Города-производители ИИ: Разрабатывать базовые модели агентного ИИ и фреймворки конституционного ИИ
  • Города-потребители ИИ: Внедрять и масштабировать системы агентного ИИ в государственных услугах и корпоративных приложениях
  • Глобальная трансформация: Переход от замещения к дополнению, при котором технология становится отзывчивой к человеческим намерениям на всей цепочке создания стоимости

6.2 Конституционный ИИ (CAI): этическая рамка для цепочки создания стоимости ИИ

Глобальный управленческий вызов для автономных систем (4 кв. 2025)

По мере того как автономные системы принимают решения в критических секторах, прозрачное и контролируемое управление становится первостепенным. Конституционный ИИ (CAI), разработанный Anthropic (Сан-Франциско), — это метод обучения, который обеспечивает, чтобы модели ИИ следовали заранее заданным этическим правилам, или «конституции», потенциально основанной на таких документах, как Всеобщая декларация прав человека.

Ключевой вывод: Руководители бизнеса сталкиваются с нарастающими этическими вызовами: инциденты с нарушением конфиденциальности, связанные с ИИ, выросли на 56% год к году, в то время как 64% называют опасения по поводу неточности ИИ, 63% беспокоятся о вопросах соответствия требованиям, а 60% указывают на уязвимости в кибербезопасности. Однако внедрение мер защиты отстаёт, создавая опасную незащищённость: организации внедряют сложный ИИ без соответствующих этических механизмов контроля.

География цепочки создания стоимости конституционного ИИ
Роль городов-производителей ИИ в разработке CAI
  • Сан-Франциско: Anthropic лидирует в исследованиях конституционного ИИ, создавая базовые этические рамки для глобального внедрения
  • Лондон: Финансовый сектор внедряет системы безопасности ИИ, применяя конституционные принципы в банковском деле и регуляторном соответствии
  • Париж: Mistral AI интегрирует конституционные рамки с европейскими принципами, ставящими права на первое место
Внедрение CAI в городах-потребителях ИИ
  • Сингапур: Регуляторные песочницы MAS тестируют фреймворки Constitutional AI для финансовых услуг
  • Дубай: Внедряет конституционные принципы в развёртывание ИИ в системах умного города
  • Европейские города: Применение конституционных требований EU AI Act для безопасного использования ИИ
Технические и регуляторные преимущества (аналитика 2025 года)

CAI решает проблемы масштабируемости традиционных методов выравнивания ИИ, которые опираются на медленную и субъективную обратную связь от людей (RLHF). Вместо этого CAI обучает модели критиковать ответы на основе внутренних конституционных правил, повышая безопасность, снижая предвзятость и обеспечивая согласованность при глобальном развёртывании.

Стратегическая необходимость агентного ИИ

Поскольку агентный ИИ самостоятельно сталкивается с ситуациями этического или правового выбора, Constitutional AI служит обязательным внутренним механизмом проверки. Без CAI регуляторы во всём мире не разрешат агентному ИИ выполнять задачи высокого риска или критические задачи. Таким образом, CAI становится обязательным регуляторным условием полномасштабного внедрения агентного ИИ, превращая абстрактные этические принципы в конкретные алгоритмические правила, применимые по всей цепочке создания ценности ИИ.

7. РЕГИОНАЛЬНЫЕ ПЕРСПЕКТИВЫ: НОВЫЕ УЧАСТНИКИ ЦЕПОЧКИ СОЗДАНИЯ ЦЕННОСТИ ИИ

Содержание

7.1 Восточная Азия: растущие силы ИИ, бросающие вызов топ-10

Данные за четвёртый квартал 2025 года показывают два восточноазиатских города с исключительной динамикой роста, которые делают их непосредственными претендентами на глобальное лидерство в сфере ИИ. В отличие от традиционных развивающихся рынков, ориентированных на потребление ИИ, и Токио, и Сеул представляют собой продвинутое производство ИИ, сопоставимое с устоявшимися городами топ-10. Их быстрое развитие экосистемы делает их приоритетным объектом анализа как возможных участников топ-10 к 2026 году.

Токио: ускорение ИИ за счёт инфраструктуры (глобальный претендент №11)

$2.5B
Оценка Sakana AI (IV кв. 2025)
+143.57%
Рост инвестиций в ИИ (2025 против 2024)
271+
Компании глубоких технологий ($2.12 млрд)

Прорыв: Sakana AI из Токио достигла оценки в $2.5 млрд в IV квартале 2025 года, став самым быстрорастущим стартапом в сфере ИИ в Японии, и выросла на 66% по сравнению с предыдущим раундом финансирования. Этот стремительный рост, поддержанный инвестициями NVIDIA и New Enterprise Associates, свидетельствует о том, что Токио становится серьёзным глобальным центром ИИ.

Лидерство в инфраструктуре: Япония запустила суперкомпьютер ABCI 3.0 в январе 2025 года, обеспечив беспрецедентную вычислительную мощность для исследований и разработок в области ИИ. Стратегическое партнёрство SoftBank и OpenAI делает Токио ключевым хабом корпоративных решений ИИ в Азии и демонстрирует подход к развитию экосистемы ИИ, в котором приоритет отдаётся инфраструктуре.

Инвестиционная экосистема: В городе активно работают венчурные фонды, такие как DEEPCORE (связан с Токийским университетом), а также международные участники — Alchemist Accelerator и Techstars, которые открыли операции в Токио в 2024 году. Более 271 компании глубоких технологий с совокупным финансированием в $2.12 млрд свидетельствуют о существенной глубине экосистемы.

Сеул: трансформация ИИ, направляемая государством (глобальный претендент №12)

$390M
Государственные инвестиции в ИИ (2025)
10K
Целевой показатель: специалистов по ИИ в год
5
Программа «Чемпионы ИИ»

Стратегия суверенного ИИ: В конце 2025 года Южная Корея запустила самую амбициозную инициативу в области ИИ, пообещав ₩530 млрд ($390 млн) пяти местным компаниям, создающим базовые модели. Министерство науки и ИКТ отобрало для участия в этой конкурентной программе LG AI Research, SK Telecom, Naver Cloud, NC AI и стартап Upstage, что demonstrates беспрецедентную приверженность правительства.

Успехи стартапов: Upstage стал единственным стартапом среди получателей государственных грантов; его модель Solar Pro 2 стала первой корейской моделью, которую Artificial Analysis признала передовой. Такие компании, как Lunit (медицинский ИИ, сотрудничающий с Fujifilm, GE Healthcare и Philips) и MakinaRocks (промышленный ИИ), демонстрируют растущие возможности Сеула в сфере ИИ.

Развитие кадров: Мэр Сеула О Се Хун объявил о стратегии подготовки 10 000 специалистов в сфере ИИ ежегодно, с целью сделать Сеул «центром одной из трёх ведущих мировых держав в области ИИ». Эта масштабная программа развития кадров решает критическую проблему дефицита талантов, которая сдерживает рост экосистем ИИ по всему миру.

Прогноз на 2026 год: вызов сложившемуся порядку

Преимущество Токио: Подход, ориентированный на инфраструктуру, с суперкомпьютерными возможностями мирового уровня, быстрым созреванием экосистемы стартапов и стратегическими международными партнёрствами позволяют Токио прорваться в глобальную топ-10 к 2026 году.

Преимущество Сеула: Скоординированная государственная стратегия с существенной финансовой поддержкой, акцент на объединении традиционных отраслей с инновациями в сфере ИИ и амбициозные программы развития талантов создают устойчивые конкурентные преимущества.

Стратегические последствия: Оба города демонстрируют, что быстрое развитие экосистемы ИИ возможно при целенаправленной стратегии: будь то ориентация на инфраструктуру (Токио) или координация со стороны государства (Сеул). Их появление ставит под сомнение представления о концентрации лидерства в ИИ и предвещает более многополярный ландшафт ИИ.

7.2 Африка: потребление ИИ через скачкообразное развитие

Стратегия внедрения умных городов в Африке (конец 2025 года)

Рынок умных городов в Африке демонстрирует продуманные стратегии внедрения прикладных решений, сосредоточенные на устойчивости и развитии за счёт стратегического применения технологий, созданных в центрах базовых моделей. Страны Северной Африки и островные государства, такие как Маврикий, лидируют благодаря ранним инвестициям в электронное правительство и национальным стратегиям ИИ, которые делают упор на внедрение, а не на разработку базовых моделей.

Внедрение ИИ на «чистом поле»: образцовые примеры
Конза Технополис (Кения): модель внедрения «Силиконовой саванны»

Этот флагманский проект стоимостью $1.3 млрд демонстрирует стратегию внедрения приложений мирового уровня. Первая фаза близка к завершению: работают умная мобильность, автоматизированное управление отходами и облачные сервисы — все они внедряют ИИ-технологии, разработанные в других местах. Проект иллюстрирует встраивание ИИ в городскую инфраструктуру с самого начала, а не модернизацию задним числом, и представляет собой оптимальное развитие центра внедрения приложений.

Хоуп-Сити (Гана): устойчивое внедрение ИИ

Быстрый рост благодаря партнёрствам, сосредоточенным на зелёных технологиях, подключении 5G и управлении городом на основе ИИ. Делает акцент на устойчивом развёртывании проверенных ИИ-технологий в соответствии с национальными целями развития, демонстрируя стратегическое потребление ИИ для развивающихся рынков.

Лидерство в потреблении ИИ в регионе

В отличие от зрелых рынков, африканские лидеры (Руанда, Кения) напрямую связывают готовность к ИИ с национальным развитием, внедряя ИИ для сельскохозяйственного прогнозирования, медицинской диагностики и систем цифровой идентификации. Кейптаун выступает региональным лидером во внедрении ИИ, особенно в биотехнологических приложениях.

Стратегическая парадигма скачка

Африканские инициативы демонстрируют революционную модель развития — использование потребления ИИ для создания новых, цифровых, устойчивых систем с нуля, а не оптимизации устаревшей инфраструктуры. Это позволяет перепрыгнуть традиционные этапы развития и делает африканские города глобальными лидерами в демонстрации ИИ как важнейшего инструмента устойчивого роста и решения срочных социальных задач за счёт стратегического внедрения, а не разработки.

7.3 Латинская Америка: гибридная специализация в цепочке создания ценности ИИ

Развитие экосистемы ИИ в Латинской Америке (четвёртый квартал 2025 года)

Латинская Америка стремительно развивает экосистемы ИИ: Сан-Паулу, Мехико и Буэнос-Айрес становятся ведущими центрами стартапов, демонстрируя гибридные подходы, которые сочетают потребление ИИ со специализированными производственными возможностями.

Региональная специализация в цепочке создания ценности ИИ
Сан-Паулу (Бразилия): центр инвестиций и внедрения ИИ

Крупнейший технологический центр, привлекающий значительные инвестиции таких глобальных гигантов, как Google. Является основным направлением инвестиций в ИИ в Латинской Америке, фокусируясь на внедрении проверенных ИИ-технологий для региональных рынков и разработке специализированных приложений для португало- и испаноязычных рынков.

Гвадалахара (Мексика): развивающийся производитель ИИ

Позиционируется как центр исследований и разработок, на базе которого работает первая в Латинской Америке Лаборатория генеративного ИИ (G.A.I.L.), что демонстрирует упор на фундаментальные исследования и разработки в области ИИ. Представляет собой региональный переход к возможностям базовых моделей, а не к чистому внедрению приложений.

Монтевидео (Уругвай): лидер по плотности талантов в сфере ИИ

Имеет наибольшую долю программистов с навыками в технологиях ИИ в Латинской Америке, создавая среду с высокой концентрацией талантов как для внедрения ИИ, так и для специализированной разработки. Демонстрирует, как небольшие города могут конкурировать благодаря концентрации экспертизы.

Практические сферы применения ИИ (2025)

ИИ активно повышает операционную эффективность во всём регионе, особенно в IT-управлении, где ИИ-платформы внедряют прогнозную аналитику и автоматическое создание баз знаний, демонстрируя сложное применение технологий, разработанных в крупнейших центрах фундаментальных моделей.

Ключевой вывод о стратегической гибридной модели

Латиноамериканские города показывают, что развивающиеся рынки могут стратегически занять позиции по всей цепочке ценности ИИ — не только как внедрители приложений, но и как разработчики специализированных фундаментальных моделей для региональных рынков. Сосредоточившись на конкретных специализациях (язык, культура, отраслевые потребности) и создавая цифрово-нативные системы, эти города позиционируют себя как конкурентоспособные гибридные ИИ-хабы, работающие как на региональный, так и на глобальный рынок, связывая стратегии разработки фундаментальных моделей и внедрения приложений.

7.4 Развивающиеся рынки Азиатско-Тихоокеанского региона: разнообразные стратегии внедрения ИИ

Бенгалуру: трансформация азиатской Силиконовой долины (Q4 2025)

Бенгалуру (№26 в Counterpoint Global AI City Index)

Становится ведущим незападным ИИ-хабом, сочетая многолетнее наследие IT-услуг со стратегическим внедрением ИИ и специализированными производственными возможностями. Является домом для крупных глобальных технологических центров (Google, Microsoft, Amazon), одновременно развивая собственные ИИ-возможности для внутреннего и регионального рынков.

Стратегическая гибридная позиция: В отличие от чисто прикладных центров внедрения, Бенгалуру использует сложившуюся экосистему разработки программного обеспечения, чтобы быть одновременно и внедрителем приложений (развёртывание глобальных решений), и разработчиком специализированных базовых моделей (создание решений ИИ для рынков индийских языков, сельских приложений и чувствительных к цене сегментов).

Региональное влияние: Успех Бенгалуру показывает, что развивающиеся рынки могут перейти от простого внедрения приложений к разработке специализированных фундаментальных моделей. Благодаря проекту Nexus (инициатива BIS Innovation Hub с азиатскими центральными банками) Индия участвует в совместном внедрении ИИ в Азиатско-Тихоокеанском регионе, выступая мостом между передовыми центрами фундаментальных моделей и развивающимися центрами внедрения приложений.

Юго-Восточная Азия и другие развивающиеся рынки

Джакарта (Индонезия): региональный хаб внедрения

Крупнейшая экономика Юго-Восточной Азии, развивающая возможности внедрения ИИ для рынка населением 274 млн человек. Фокус на ИИ в финансовых услугах, оптимизации электронной коммерции и инфраструктуре умных городов за счёт стратегического развёртывания технологий, созданных в передовых ИИ-центрах.

Манила (Филиппины): финансовое внедрение ИИ

Стратегический участник проекта Nexus (BIS Innovation Hub), демонстрирующий подход к совместному внедрению ИИ. Использует большой англоязычный кадровый ресурс для ИИ-улучшенного клиентского сервиса и аутсорсинга бизнес-процессов.

Бангкок (Таиланд): координационный центр ИИ АСЕАН

Становится региональным координационным хабом инициатив ИИ АСЕАН. Фокус на применении ИИ в сельском хозяйстве, оптимизации туризма и трансграничных платёжных системах за счёт совместных стратегий внедрения с другими странами АСЕАН.

Особенность развития: Эти развивающиеся рынки Азиатско-Тихоокеанского региона демонстрируют стратегии совместного внедрения, опираясь на региональное сотрудничество (проект Nexus, инициативы АСЕАН), чтобы эффективно развёртывать технологии ИИ, постепенно наращивая собственные возможности. В отличие от подходов, ориентированных исключительно на потребление, эти города сочетают стратегическое внедрение с развитием кадров для будущего участия в ИИ-индустрии.

Отличительная черта азиатской экосистемы ИИ: Дорожная карта ответственного ИИ АСЕАН (март 2025) создаёт региональную систему управления, а платформы «супераппов» для мобильных устройств (WeChat, Grab, Kakao) демонстрируют уникальные бизнес-модели, отсутствующие на западных рынках.

8. ТОП-20 ГЛОБАЛЬНЫХ ГОРОДОВ ДЛЯ ИИ

Содержание

Чтобы дать дополнительный взгляд на мировое лидерство в ИИ, мы проанализировали рейтинги, составленные 10 ведущими моделями ИИ, каждая из которых независимо оценивала города по силе их экосистемы ИИ. Такой подход, основанный на консенсусе нескольких моделей, даёт более широкое представление о том, какие города последовательно признаются центрами ИИ в рамках разных аналитических подходов.

Методология: анализ консенсуса моделей ИИ

Десять продвинутых моделей ИИ (ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok, Kimi, Meta AI, Le Chat, Ernie) получили задание ранжировать top-10 глобальных городов для ИИ на основе:

  • объёма исследований и разработок в области ИИ
  • штаб-квартир технологических компаний и их операций
  • венчурных инвестиций в ИИ-стартапы
  • концентрации талантов в сфере ИИ и образовательных учреждений
  • государственных инициатив и политик в области ИИ
  • инфраструктуры, поддерживающей развитие ИИ

Следующие 20 городов чаще всего встречались во всех рейтингах моделей, представляя самый широкий консенсус о центрах глобального лидерства в ИИ:

Топ-20 городов для ИИ — консенсус нескольких моделей

1
Сан-Франциско
Столица ИИ
2
Пекин
Китайский центр ИИ
3
Нью-Йорк
Финансовый центр ИИ
4
Лондон
Ведущий европейский центр ИИ
5
Шанхай
Промышленный ИИ и умное производство
6
Бостон
Столица ИИ в биотехнологиях
7
Сингапур
Лидер ИИ в концепции «Умная нация»
8
Париж
Европейский центр технологического суверенитета в ИИ
9
Торонто
Центр исследований глубокого обучения
10
Тель-Авив
Центр талантов и инноваций в ИИ
11
Сеул
Хаб технологических инноваций
12
Сиэтл
Облачная ИИ-платформа
13
Берлин
Исследовательский центр ИИ
14
Токио
Центр робототехники и ИИ
15
Дубай
Лидер умных городов
16
Гонконг
FinTech-хаб ИИ
17
Шэньчжэнь
Хаб аппаратного ИИ
18
Абу-Даби
Хаб суверенного ИИ
19
Сидней
Центр инноваций в ИИ
20
Бангалор / Ухань
Развивающиеся центры ИИ

Ключевые наблюдения по результатам анализа нескольких моделей

Устойчивые лидеры: Сан-Франциско, Пекин и Нью-Йорк вошли в первую тройку в 9 из 10 рейтингов моделей, что демонстрирует явный консенсус относительно статуса этих городов как лидеров в области ИИ.

Региональный баланс: В консенсус Топ-20 входит сильное представительство Северной Америки (6 городов: Сан-Франциско, Нью-Йорк, Бостон, Торонто, Сиэтл), Азиатско-Тихоокеанского региона (10 городов: Пекин, Шанхай, Сингапур, Сеул, Токио, Гонконг, Шэньчжэнь, Бангалор, Ухань, Сидней), Европы (3 города: Лондон, Париж, Берлин) и Ближнего Востока (2 города: Дубай, Абу-Даби), отражая глобальное распределение центров инноваций в ИИ.

Становление Берлина как ИИ-хаба, ориентированного на устойчивое развитие, с более чем 100 компаниями, интегрирующими принципы ESG, отражает эволюцию европейской специализации в ИИ за пределами традиционных технологических центров.

Стабильность топ-10: Первые 10 позиций демонстрируют поразительную устойчивость: такие признанные центры ИИ, как Шанхай (#5), Бостон (#6), Сингапур (#7), Париж (#8), Торонто (#9) и Тель-Авив (#10), образуют стабильный уровень.

Различия между моделями: Хотя ключевые лидеры оставались стабильными, модели показали интересные различия в весе факторов: государственная поддержка (в пользу Сингапура, Дубая), плотность стартапов (в пользу Тель-Авива, Берлина), объём исследований (в пользу Пекина, Бостона) и промышленное применение (в пользу Шанхая, Шэньчжэня). Консенсус показывает сильные результаты Сеула (#11) и преимущества облачной инфраструктуры Сиэтла (#12), а исследовательский фокус Берлина (#13) и специализация Токио в робототехнике (#14) демонстрируют разнообразие сильных сторон экосистем ИИ.

Примечание: Этот мультимодельный консенсус представляет дополнительный взгляд к нашему подробному анализу top-10. Хотя ИИ-модели дают ценные представления о глобальном восприятии лидерства городов в ИИ, их рейтинги могут отражать предубеждения обучающих данных и не учитывать рыночную аналитику в реальном времени. Наши основные рейтинги в разделе 1 основаны на комплексном количественном анализе текущих рыночных данных, потоков инвестиций и технических возможностей.

9. ОГРАНИЧЕНИЯ И МЕТОДОЛОГИЧЕСКИЕ СООБРАЖЕНИЯ

Содержание

9.1 Доступность данных и смещение в цепочке ценности ИИ

Фундаментальные ограничения (конец 2025 г.)

  • Проприетарные алгоритмы в центрах фундаментальных моделей снижают прозрачность и воспроизводимость
  • Меняющиеся от года к году методологии ограничивают сопоставимость во времени
  • Смещение в цепочке ценности ИИ: традиционные метрики могут отдавать предпочтение центрам фундаментальных моделей перед центрами внедрения приложений, несмотря на равноценный вклад во внедрение

9.2 Ограничения, специфичные для методологии, и географические соображения

Традиционные методики оценки могут недооценивать возможности быстрого масштабирования в инновационных моделях, управляемых государством, что особенно влияет на оценку центров внедрения приложений, таких как Сингапур и Дубай, которые преуспевают во внедрении, а не в разработке.

Трудности с точностью данных и их проверкой (анализ 2025 года)

Некоторые данные представляют собой оценки, а не проверенные факты, что особенно влияет на межгородские сравнения:

  • Количество компаний: Оценки числа компаний в сфере ИИ в Сан-Франциско варьируются от 1 129 до 4 255 в зависимости от охвата определения и классификации: разработка базовых моделей или внедрение приложений.
  • Доля финансирования: Концентрация финансирования ИИ в Пекине сильно варьируется (48–66%) в зависимости от методологии измерения.
  • Неопределённость прогнозов: Прогнозы объёма рынка на 2030 год различаются почти вдвое (от 1,77 до 3,68 трлн долларов) в зависимости от методологии и географического охвата.
  • Классификация цепочки ценности: Не существует стандартизированной структуры для различения возможностей разработки базовых моделей и внедрения приложений

9.3 Критические системные риски ИИ

Монополизация данных

Пять–семь фирм контролируют 90% потоков альтернативных данных, что создаёт монополистический эффект и ограничивает доступ конкурентов.

Стадное поведение ИИ

68% алгоритмов копируют стратегии конкурентов в периоды волатильности, что может усиливать обвалы рынка (BIS 2025).

9.4 Вариативность определений

Универсального определения «готовности к ИИ» не существует, поэтому подходы к измерению непоследовательны. Быстрый темп развития ИИ часто опережает создание стандартизированных метрик оценки, что порождает разрыв между измеряемыми возможностями и реальной эффективностью.

10. ВЫВОДЫ: ГЕОГРАФИЯ ЦЕПОЧКИ ЦЕННОСТИ ИИ ПЕРЕСТРАИВАЕТ ГЛОБАЛЬНОЕ ГОРОДСКОЕ ЛИДЕРСТВО

Содержание

10.1 Ключевые выводы: революционная модель цепочки ценности ИИ

Этот всесторонний анализ (Q4 2025) выявляет ключевые закономерности глобального лидерства в сфере ИИ. Лидерство в ИИ распределяется между специализированными городскими центрами через семиуровневую структуру зависимостей, а не через традиционную концентрацию в хабах. Этот фундаментальный сдвиг создаёт новые формы взаимозависимости и конкурентных преимуществ, которые определяют городской анализ ИИ.

Революция в географии цепочки создания стоимости ИИ

Лидерство в ИИ распределяется между специализированными городскими центрами через семиуровневую структуру зависимостей, а не через традиционную концентрацию в хабах. Этот фундаментальный сдвиг создаёт новые формы взаимозависимости и конкурентных преимуществ, которые определяют современный городской анализ ИИ.

Специализация: базовые модели против внедрения приложений
  • Центры базовых моделей (Сан-Франциско, Ханчжоу, Париж, Тель-Авив): создают базовые модели (ChatGPT, Claude, Gemini, Qwen, DeepSeek, Mistral, Le Chat, Grok, AI21) и захватывают высокодоходную экономику разработки
  • Центры внедрения приложений (Сингапур, Дубай, Цюрих, Осло, Лондон): сильны во внедрении, развёртывании и масштабировании существующих технологий ИИ с лучшими результатами для граждан
  • Гибридные города (Шанхай, Нью-Йорк): балансируют между разработкой и внедрением по всей цепочке ценности
Различия государственной стратегии по роли в цепочке ценности

Эффективность участия государства зависит от позиции: Сингапур и Дубай демонстрируют выдающуюся координацию стратегии потребления ИИ, тогда как Пекин и Сан-Франциско лидируют в государственной поддержке производства. ОАЭ представляют самую амбициозную в мире трансформацию рабочей силы в потреблении ИИ.

Перебалансировка географии цепочки ценности

Традиционные метрики инноваций недооценивают превосходство во внедрении приложений. Европейские города среднего размера (Цюрих, Осло, Женева) представляют оптимальную модель внедрения приложений — эффективное использование технологий без издержек мегаполисов, что обеспечивает более высокую удовлетворённость граждан благодаря продуманному внедрению.

Закономерности инвестиций и специализации
  • Инвестиции в производство: Сосредоточены в Сан-Франциско ($35 млрд) и Пекине ($25 млрд), при этом 70% венчурных инвестиций США направлены на производство ИИ
  • Превосходство в потреблении: 4-е место Дубая в обоих индексах демонстрирует сближение потребления ИИ с результатами «умного города»
  • Региональные стратегии: Азия лидирует в инициативах потребления при поддержке государства; Европа делает акцент на этических рамках внедрения; Северная Америка доминирует в инновациях производства

10.2 Ограничения анализа и особенности данных

Проблемы интеграции источников данных
  • Методологические различия: Сопоставления между IMD Smart City Index, Counterpoint AI City Index и Nature Index используют разные системы измерения и временные базы
  • Временные разрывы: Циклы отчётности заметно различаются между источниками: одни данные отражают показатели 2024 года, а другие включают частичные оценки 2025 года
  • Несогласованность географических границ: В одних метриках используются административные границы городов, в других — границы метрополитенских статистических районов, что влияет на сопоставимость
  • Агрегация инвестиций: Данные венчурного капитала и государственного финансирования могут включать двойной учёт в разных системах отчётности
Доверительные интервалы и неопределённость

Рейтинги следует интерпретировать с погрешностью ±2–3 позиции из-за методологических различий между индексами. Города, занимающие 4–7 места в мире, могут обоснованно претендовать на статус топ-5. Особые факторы неопределённости: (1) рейтинги готовности к ИИ: ±2 позиции, (2) данные по инвестициям: точность ±25% ввиду быстрых изменений рынка, (3) рейтинги научных публикаций: ±1–2 позиции ежегодно из-за циклов публикаций, (4) доли рынка: ±3–5% в зависимости от охвата определения, (5) рейтинги стартап-экосистем: ±3–4 позиции из-за региональных различий в измерениях.

10.3 Будущие последствия: эволюция цепочки ценности ИИ до 2030 года

Хронология эволюции городов ИИ

Таблица 11: Хронология эволюции городов ИИ (2017–2030)

Период Доминирующая тема Ведущие регионы Ключевые события
2017-2020 Эра азиатского доминирования Сингапур, Сеул Первые рейтинги «умных городов»
2021-2023 Европейский подъём Лидерство Цюриха Начало 6-летнего доминирования в «умных городах»
2025-2026 Революция ИИ в финансах Нью-Йорк, Сан-Франциско Ренессанс: более $100 млрд совокупных торговых доходов, BlackRock — $11,6 трлн AUM
2025+ Глобальная конвергенция Многополярное лидерство Возникновение географии цепочки ценности ИИ
Ключевой вывод: Эволюция городов ИИ показывает переход от азиатского доминирования (2017–2020) к европейскому лидерству в «умных городах» (6-летнее доминирование Цюриха) и далее к финансовой революции ИИ в США (2025–2026), и, наконец, к глобальной конвергенции.

Будущий ландшафт ИИ будет определяться углублением географии цепочки ценности (прогнозы на 2026–2030):

Усиление специализации в цепочке ценности ИИ
  • Города-производители: Продолжающаяся концентрация разработки базовых моделей с ростом агентного ИИ и конституционного ИИ
  • Города-потребители: Повышение сложности внедрения, нормативных рамок и развёртывания, ориентированного на граждан
  • Гибридные города: Стратегическое позиционирование по всей цепочке ценности, создающее конкурентные преимущества
  • Развивающиеся рынки: Скачкообразное развитие за счёт стратегического потребления ИИ (Африка, Латинская Америка)
Экономическое влияние по позиции в цепочке создания стоимости (прогнозы на 2030 год)

Потенциальный вклад ИИ в мировой ВВП в 15,7 трлн долларов распределится неравномерно: центры разработки базовых моделей (Сан-Франциско, Ханчжоу, Париж, Тель-Авив) получат высокомаржинальную экономику разработки, центры внедрения приложений (Сингапур, Дубай, Цюрих, Осло, Лондон) выиграют от услуг по внедрению и результатов для граждан, а гибридные города оптимизируют свою роль по всей цепочке создания стоимости. Успех требует решения технических и этических задач, дифференцированных в зависимости от роли в цепочке создания стоимости.

Траектория рынка ИИ, 2025–2030

$428B (2025) → $750B (2027) → $1.85T (2030)

Рост в 4,6 раза — экспансия быстрее, чем облачные вычисления и мобильные приложения вместе взятые

10.4 Стратегические императивы на ближайшие 5 лет

Чтобы сохранять конкурентоспособность и эффективно управлять рисками в наступающую эпоху автономных систем, стратегам и регуляторам необходимо сосредоточиться на следующих ключевых императивах:

10.4.1 Регуляторный императив: внедрение конституционного ИИ

Организации, которые хотят использовать агентный ИИ для автономного принятия решений (особенно в финансах и критической инфраструктуре), должны немедленно разработать и внедрить внутренние прозрачные ИИ-«конституции». Это необходимо для выполнения требований подотчётности и этики, которые неизбежно будут предъявлены регуляторами.

10.4.2 Императив эффективности: фокус на ценовой конкуренции

Западные технологические компании, доминирующие в создании самых мощных, но ресурсоёмких моделей, должны предпринять решительные шаги по снижению стоимости инференса. Сохранение значительных ценовых разрывов (когда азиатские модели в десятки раз дешевле в эксплуатации) угрожает их способности конкурировать на глобальных рынках приложений и массовому внедрению ИИ в развивающихся регионах.

10.4.3 Социальный императив: приоритет гуманного внедрения

Успех «умных городов» в 2025 году определяется социальным эффектом, а не одним лишь технологическим превосходством (Цюрих, Осло и Дубай это демонстрируют). Инвестиции в ИИ должны стратегически направляться на смягчение социальных кризисов, таких как доступность жилья, доступ к здравоохранению, качество образования, экологическая устойчивость и создание экономических возможностей.

10.5 Ключевые индикаторы системных рисков

  • Разрыв во внедрении: 87% проектов по Data Science проваливаются при переходе от разработки к промышленному внедрению
  • Концентрация рынка: Затраты на обучение базовых моделей (например, Gemini, по оценкам, $650M) создают почти непреодолимые барьеры для входа
  • Риск финансового заражения: 68% торговых алгоритмов демонстрируют стадное поведение в периоды волатильности
  • Воздействие на окружающую среду: Энергопотребление ИИ-инфраструктуры приближается к уровню небольших стран

10.6 Итоговая оценка: будущее географии цепочки создания стоимости ИИ

Глобальный ландшафт ИИ фундаментально изменился: от конкуренции, ориентированной на технологии, к географии цепочки создания стоимости, где конкурентное преимущество определяют специализированные роли. Этот анализ показывает, что устойчивое лидерство в области ИИ требует освоения конкретных функций в глобальной экосистеме ИИ, а не попыток добиться всесторонней самодостаточности.

Города-производители

Сан-Франциско, Лондон и Париж преуспевают в разработке базовых моделей, фреймворков Constitutional AI и прорывных алгоритмических инноваций. Эти города и впредь будут расширять теоретические и технические границы возможностей ИИ.

Города-потребители

Сингапур, Дубай и Пекин демонстрируют превосходное внедрение, эффективность масштабирования и практическое развёртывание. Эти города превращают возможности ИИ в реальные решения, которыми пользуются миллиарды людей.

Появление агентного ИИ и требований Constitutional AI усилит эту специализацию, создавая более глубокие взаимозависимости между центрами разработки базовых моделей и центрами внедрения приложений. Успех в следующем десятилетии будет зависеть от способности городов преуспевать в выбранных ролях, одновременно выстраивая стратегические партнёрства по всей цепочке создания стоимости.

Стратегический прогноз на 2026–2030 годы

Четыре ключевых императива — внедрение Constitutional AI, оптимизация эффективности, гуманное внедрение и геополитический баланс — определят, какие города сохранят лидирующие позиции. Города, которые успешно интегрируют эти императивы и одновременно укрепляют свои специализированные преимущества, станут определяющими столицами ИИ следующего десятилетия.

ИСТОЧНИКИ И ССЫЛКИ

Содержание

Источники исследования

Топ-10 городов ИИ