Вычислительный перелом, вызванный «нехваткой квоты»: спрос на инференс рвёт трещину в старом порядке

За прошедшую неделю самым резонансным событием в сфере вычислительных мощностей стало не обновление характеристик какого-либо чипа и не ввод в эксплуатацию очередного дата-центра, а череда на первый взгляд разрозненных сигналов, которые на деле указывают на одну и ту же скрытую линию. Пользователи начали жаловаться, что «квота сгорает слишком быстро»; крупные компании бросились скупать видеокарту, не предназначенную для дата-центров; а ещё не вышедшая на биржу AI-компания в проспекте эмиссии выложила перед Уолл-стрит счета за вычислительные мощности на полтора десятка лет вперёд. Если поставить эти сигналы на одну временную ось, становится видно: это не случайный рыночный шум, а проекция одного и того же структурного сдвига на разные звенья цепочки. Центр тяжести спроса на вычисления смещается от обучения к инференсу, тогда как прежний порядок поставок чипов, логика ценообразования облачных сервисов и структура затрат AI-компаний ещё не готовы к этому переходу в полной мере.

Квотная тревога: первый «сигнал» выхода спроса на инференс на поверхность

24 октября Moonshot AI (月之暗面) выпустила Kimi K3.1 Pro — с параметрами триллионного масштаба и поддержкой контекста в 1 млн токенов. Компания особо подчёркивала возможности модели в программировании, 3D-создании и длительных Agent-задачах. С точки зрения возможностей модели это типичное «обновление способностей»: более длинный контекст означает, что модель может за один раз обработать более сложные материалы, а более сильные Agent-возможности — что она уже не просто пассивно отвечает на вопросы, а может самостоятельно разбивать задачу, вызывать инструменты и выполнять её по шагам. Однако вскоре после запуска часть платных пользователей обнаружила, что задача ещё не завершена, а квота уже почти исчерпана. 26 октября Moonshot AI публично принесла извинения, признав ограничение скорости и «ненужный расход квоты», и компенсировала подписчикам квоту в размере 25% месячного объёма.

На поверхности это ошибка операционного уровня. Глубже — публичная репетиция того, как меняется логика потребления вычислений после взрывного роста спроса на инференс. В традиционной чат-бот модели пользователь задаёт вопрос, модель даёт ответ, и потребление вычислений относительно предсказуемо. В режимах длинного контекста и Agent пользователь видит одну задачу, а на бэкенде может выполняться цепочка подзадач: декомпозиция, поиск, анализ, проверка, суммирование, повторная проверка. Каждый вызов инструмента, каждый раунд повторной загрузки контекста, каждый параллельный запуск субагента превращается в дополнительный расход токенов и занятость вычислений. Пользователь воспринимает «квоту», платформа несёт давление параллелизма, пропускной способности видеопамяти и планирования инференс-кластера.

Проблема не только у Kimi. Похожие жалобы появились и в сообществе пользователей Claude: один из них сообщил, что Claude Opus 5.5 при обработке 87 текстовых материалов автоматически запустил 12 равноправных субагентов и за пять минут исчерпал всю пятичасовую квоту. Пользователь видел одну задачу, а на бэкенде фактически выполнялась серия параллельных вызовов субагентов — декомпозиция, поиск, анализ, проверка, суммирование. Когда AI переходит от «ответов на вопросы» к «выполнению задач», логика потребления вычислительных ресурсов меняется качественно. Раньше при оценке модели смотрели на масштаб параметров, баллы бенчмарков и стоимость обучения; теперь при оценке AI-продукта всё чаще нужно смотреть на расход токенов на задачу, эффективность планирования параллелизма, пропускную способность инференса и стоимость единицы задачи. Суть квотной тревоги не в жадности платформ, а в том, что экономика инференса ещё не полностью созрела: возможности моделей ушли вперёд по сравнению с контролем затрат, а Agent-архитектуры — по сравнению с системами биллинга.

Именно это и есть микрооснова взрывного роста спроса на инференс-вычисления. Старший вице-президент Sugon (中科曙光) Ли Бинь на CNCC 2026 дал точную оценку: «По мере роста параметров моделей и ускорного внедрения интеллектуальных агентов вычислительные системы движутся к интенсивности и масштабированию». Эксперт Hygon Information (海光信息) Сунь Цзяньпэн привёл ещё одно подтверждение с точки зрения масштаба моделей: «Число параметров больших моделей прыгает с сотен миллиардов до триллионов и даже десятков триллионов; одна карта и одна машина уже не могут обеспечить крупномасштабное обучение и инференс». Спрос на обучение продолжает расти, но кривая спроса на стороне инференса поднимается с более крутым наклоном, и это изменение ещё не полностью абсорбировано существующей структурой предложения чипов.

Если говорить конкретнее, у спроса на инференс есть три особенности, отличающие его от спроса на обучение. Во-первых, инференс — это постоянные расходы: пока сервис онлайн, потребление вычислений не прекращается; обучение же ближе к поэтапным капитальным затратам — концентрированный ввод и концентрированное потребление. Во-вторых, инференс-нагрузки сильно фрагментированы: разные задачи сильно различаются по длине контекста, числу параллельных запросов, задержке ответа и требованиям к вызову инструментов, поэтому один чип с фиксированной спецификацией вряд ли покроет всё. В-третьих, инференс крайне чувствителен к стоимости, поскольку каждый вызов должен учитываться в юнит-экономике, и платформа вынуждена многократно балансировать между возможностями модели, скоростью ответа и стоимостью токена. В совокупности эти три пункта означают, что инференс-вычисления перестают быть «придатком вычислительных мощностей для обучения» и становятся ключевой переменной, определяющей, сможет ли AI-продукт выйти на коммерческий масштаб.

35 млрд долларов за карту «не топового уровня»: рациональное безумие в условиях ограниченного предложения

Давление спроса на инференс идёт вверх по цепочке и первым делом ударяет по поставкам чипов.

Потенциальный заказ, о котором сообщило Reuters, вывел это давление на отраслевой масштаб: совокупный спрос ByteDance, Alibaba и Tencent на NVIDIA RTX PRO 5500 превышает 3 млн штук. При оценке около 11,4 тыс. долларов за штуку потенциальный объём заказа превышает 35 млрд долларов. Однако NVIDIA не может гарантировать удовлетворение всего спроса, и фактические поставки могут оказаться значительно ниже заявленных намерений. По некоторым оценкам, реальное предложение может покрыть лишь 5–10% заказов.

Что озадачивает: RTX PRO 5500 — не топовый обучающий чип NVIDIA для дата-центров, а видеокарта для рабочих станций, «уступающая по производительности топовым чипам для дата-центров». Почему же китайские гиганты сосредоточенно скупают такой продукт? Если смотреть только на пиковую вычислительную мощность, заказ кажется недостаточно «рациональным»; но если рассматривать его вместе с ограничениями предложения, условиями соответствия и экономикой инференса, это как раз рациональный выбор в условиях ограничений.

Ответ кроется в зазоре между ограничениями предложения и экономикой инференса. На фоне сохраняющихся экспортных ограничений на высококлассные чипы для дата-центров в Китай «вычисления, которые можно купить и развернуть, важнее идеальных на бумаге характеристик чипа». RTX PRO 5500 существенно улучшила вычисления низкой точности, такие как FP4 и FP8, по сравнению с предыдущими ограниченными продуктами, и это точно соответствует потребностям инференс-сценариев в низкой точности и высокой пропускной способности, а не требованиям обучающих сценариев к предельной пропускной способности межсоединений и объёму видеопамяти. Иными словами, крупные компании покупают не «лучший чип», а наиболее доступный по соотношению цена/качество для инференса среди доступных.

Сам этот выбор декларирует факт: разрыв между спросом и предложением инференс-вычислений стал настолько велик, что компании готовы отказаться от игры «подождём идеальный чип» и принять реальность субоптимального решения. Что ещё важнее, эта скупка дополнительно меняет рыночные ожидания. Когда ведущие облачные провайдеры и интернет-платформы одновременно концентрируют заказы на одном соответствующем требованиям продукте, дефицитность цепочки поставок быстро усиливается, а арендные ставки, сроки поставки и стоимость сопутствующих серверов начинают колебаться. Для малых и средних AI-компаний это означает, что порог доступа к инференс-вычислениям может ещё вырасти; для китайских производителей чипов это означает, что в окне возможностей есть как шансы на замещение, так и риск краткосрочного давления со стороны соответствующих требованиям продуктов NVIDIA.

В более длительной перспективе скупка RTX PRO 5500 обнажает и более глубокую проблему: «бочка» предложения вычислений определяется не одной доской — чипом. Даже купив чипы, нужно ещё обеспечить серверы в сборе, высокоскоростные межсоединения, электропитание и охлаждение, планирование кластера и сопутствующую оптимизацию фреймворков инференса. Узкое место инференс-кластера часто не в пиковой мощности одной карты, а в объёме видеопамяти, пропускной способности памяти, межкарточных коммуникациях, эффективности пакетной обработки и способности восстанавливаться после сбоев. Скупка карт — лишь первый шаг; настоящая конкуренция в том, кто быстрее превратит купленные карты в стабильную, недорогую и планируемую пропускную способность инференса. Именно поэтому одни и те же чипы у разных облачных провайдеров могут давать совершенно разную стоимость токена.

Другая сторона 657 млрд долларов: вычисления становятся «основным средством» на балансе

Если скупка карт китайскими гигантами отражает перекос на стороне предложения, то проспект IPO Anthropic раскрывает со стороны спроса масштаб обязательств по вычислениям в эпоху инференса.

26–27 октября Anthropic официально подала в Комиссию по ценным бумагам и биржам США (SEC) заявку на IPO. Из проспекта следует, что компания заключила контракты на вычисления как минимум на 657 млрд долларов со сроками до 2045 года; с учётом обсуждаемых дополнений потенциальный общий объём может достичь около 750 млрд долларов. Из них как минимум 518 млрд долларов — обязательные расходы на облачные сервисы, вычислительные мощности и инфраструктуру в течение следующих десяти лет, причём около 80% этих обязательств являются безотзывными или подлежат оплате независимо от фактического использования.

Потрясает здесь не «размер», а структурная смена бизнес-парадигмы. У традиционных софтверных компаний ключевая статья затрат — рабочая сила, у облачных провайдеров — амортизация, а у AI-модельных компаний эпохи инференса ключевой статьёй затрат становится долгосрочное, жёсткое и безотзывное обязательство по вычислительным мощностям. Раньше инвесторы, оценивая AI-компанию, привычно смотрели на возможности модели, рост пользователей и выручки; в будущем, возможно, придётся смотреть и на то, сколько вычислений она зарезервировала, справедлива ли зафиксированная цена, какова доля отзывных контрактов и может ли стоимость токена снижаться с масштабом. Вычисления перестают быть просто статьёй затрат на бэкенде и становятся ключевым активом, влияющим на оценку, денежный поток и конкурентные барьеры, — и одновременно тяжёлым жёстким обязательством.

Anthropic прямо включает «получение достаточных вычислительных ресурсов» в операционные и риск-факторы проспекта, одновременно предупреждая, что расширение вычислений будет и дальше поглощать большие объёмы денежных средств. Это чёткий сигнал: в эпоху инференса способность получать вычисления сама по себе становится частью конкурентоспособности. Без достаточных вычислений нельзя обучить модель, нельзя масштабировать сервис, нельзя стабильно запускать агентов; но если зарезервировать слишком много, при колебаниях экономического цикла или росте эффективности моделей могут возникнуть простаивающие мощности и финансовое давление. AI-компании попадают в дилемму: не зарезервировав вычисления, можно упустить окно роста; чрезмерно зарезервировав, можно заложить денежный поток на годы вперёд.

NVIDIA и Oracle 27–28 октября объявили, что расширят развёртывание архитектуры Vera Rubin до многогигаваттного уровня и впервые разделят ресурсы CPU и GPU, чтобы клиенты могли независимо масштабировать их под разные нагрузки — «GPU-интенсивное обучение и инференс» и «CPU-интенсивные Agent-задачи». Это как раз инфраструктурный ответ на описанный структурный сдвиг. Agent-задачи потребляют не только GPU-вычисления для инференса, но и требуют больших объёмов CPU для вызова инструментов, поиска данных, управления состоянием и оркестрации. Разделение CPU и GPU по сути признаёт факт: вычислительная система эпохи инференса — это уже не просто наращивание GPU, а системная инженерия, в которой несколько типов ресурсов динамически распределяются пропорционально нагрузке. Кто точнее сопоставит GPU-интенсивный инференс с CPU-интенсивной оркестрацией, тот может получить преимущество в стоимости единицы задачи.

«Асимметричное окно» для китайских чипов: другая сторона скупки

Возвращаясь к китайскому контексту: означает ли скупка RTX PRO 5500 крупными компаниями, что китайские чипы «выдавливаются»? Ответ не прост.

В краткосрочной перспективе рост предложения соответствующих требованиям продуктов NVIDIA действительно сжимает темпы проникновения китайских чипов на рынок инференса. Крупные заказчики перед лицом стоимости миграции, зрелости экосистемы и определённости поставок часто предпочитают уже проверенные продукты; даже если китайские чипы имеют преимущество по соотношению цена/качество в отдельных сценариях, им нужно время на адаптацию фреймворков, оптимизацию операторов и настройку кластеров. Это краткосрочное давление реально, и его нельзя скрыть одним лозунгом «импортозамещения».

Но более глубокое изменение в том, что взрыв спроса на инференс меняет критерии оценки конкуренции в вычислениях. В отчёте Huaxi Securities отмечается, что движущая сила китайских вычислений сместилась с «догоняющей производительности одной карты» к «системным инженерным возможностям + способности обеспечивать поставки». CSC Financial также называет «китайские чипы, суперузлы и сервисы вычислений» среди направлений, заслуживающих внимания, отмечая рост арендных ставок на некоторые отечественные конфигурации и зарубежные высококлассные GPU, а также сохранение подъёма в сервисах вычислений. Это значит, что логика конкуренции китайских чипов смещается от «сравнения с пиковыми параметрами определённого чипа NVIDIA» к «способности предложить стабильное, доступное по цене и поставляемое системное решение в конкретных инференс-сценариях».

Заслуживает внимания параллельный прогресс: 28 октября Moore Threads (摩尔线程) открыла исходный код проекта инфраструктуры обучения больших моделей Megatron-MUSA-Titan, сфокусированного на обучении MoE-моделей с триллионом параметров на кластерах в десятки тысяч карт и охватывающего предварительное обучение и обучение с подкреплением. DeepSeek открыла исходный код фреймворка инференса DeepInfer с поддержкой китайских платформ, включая Huawei Ascend, чтобы снизить затраты и порог построения инференс-кластеров на отечественных чипах. Значение этих шагов не в краткосрочной замене NVIDIA, а в том, что на фоне структурного роста спроса на инференс китайские чипы переходят от «сравнения производительности» к «адаптации к сценариям»: когда разнообразие инференс-нагрузок намного превосходит однородность обучающих нагрузок, системная оптимизация в конкретных сценариях может иметь большую коммерческую ценность, чем цифры пиковой мощности.

Отчёты китайских производителей чипов за третий квартал также подтверждают передачу конъюнктуры: выручка Hygon Information в третьем квартале составила 5,856 млрд юаней — квартальный рекорд, а за первые три квартала выросла на 57,58% год к году; чистая прибыль Sugon, причитающаяся акционерам материнской компании, за первые три квартала выросла на 78,48% год к году; Enflame Technology (燧原科技) ожидает роста выручки за первые три квартала на 325,78–455,36% год к году. Эти цифры показывают, что расширение спроса на инференс не является игрой с нулевой суммой: помимо давления и замещения оно расширяет базу всего рынка вычислений. Настоящая возможность китайских чипов может состоять не в лобовой борьбе за господствующую высоту обучающих кластеров, а в принятии инференс-сценариев, чувствительных к затратам, требующих высокой кастомизированной адаптации и высокой определённости поставок. Кто основательно выстроит программный стек, адаптацию фреймворков и эксплуатацию кластеров в этих сценариях, тот получит асимметричное окно входа в эпоху инференса.

Заключение: «бочка» конкуренции в вычислениях пересобирается

Шум в сфере вычислений за прошедшую неделю по сути является принудительной коррекцией структуры предложения структурой спроса. Когда интеллектуальные агенты разбивают каждую пользовательскую команду на цепочку фоновых вызовов, когда расход токенов на инференсе растёт со скоростью, намного превышающей обучающие нагрузки, когда AI-компании вынуждены вписывать счета за вычисления на двадцать лет вперёд в проспекты, логика конкуренции в вычислительной индустрии уже не может оставаться в одном измерении — «у кого чип с более высокой пиковой мощностью».

То, что Ли Бинь из Sugon называет «интегрированными, тесно связанными системными инновациями вокруг вычислений, хранения, межсоединений, электропитания и охлаждения», и попытка NVIDIA и Oracle разделить CPU и GPU для соответствия разным нагрузкам указывают в одном направлении: конкурентоспособность вычислений эпохи инференса — это комплексная задача системной инженерии, а не задача с одним вариантом ответа о параметрах чипа. «Иррациональное» поведение китайских гигантов, скупающих видеокарты для рабочих станций, «крупная ставка» Anthropic на резервирование вычислений астрономическими контрактами, интенсивные действия китайских чипов по системной адаптации — всё это разные решения одной новой задачи.

Ещё важнее настораживаться: взрыв спроса на инференс не принесёт автоматически стабильности отраслевому порядку. Наоборот, в краткосрочной перспективе он может усилить колебания цен на вычисления, напряжённость предложения и разрыв бизнес-моделей. Платформам нужно искать новый баланс между квотным биллингом и пользовательским опытом; облачным провайдерам — перестраивать закупочную комбинацию между соответствующими требованиям чипами и отечественными; AI-компаниям — перепроектировать структуру капитала между резервированием вычислений и финансовой гибкостью; производителям чипов — переходить от продажи оборудования к продаже системных возможностей. Кто первым в условиях ограниченного предложения совершит разворот от «продажи вычислений» к «эффективному использованию вычислений», тот сможет найти билет в следующий цикл в трещине, открытой спросом на инференс.