Шесть крупнейших операторов облачной инфраструктуры в 2026 году намерены потратить на вычислительные мощности более $700 млрд — почти вдвое больше прежнего рекорда 2025 года. Эта сумма хорошо показывает, где проходят нынешние пределы вычислений: прирост производительности всё реже приходит от миниатюризации чипов и всё чаще покупается бетоном, медью, электричеством и тысячами дополнительных ускорителей.
О том, почему привычные законы масштабирования начинают сдавать позиции, сообщает MIT Technology Review. Для разработчиков и бизнеса это не отвлечённый разговор о физике: стоимость обучения и эксплуатации моделей, доступность GPU, сроки строительства дата-центров и ограничения энергосетей становятся частью продуктовой стратегии.
Отправной точкой для истории стала лекция Ричарда Фейнмана «Там внизу ещё много места», прочитанная в Калифорнийском технологическом институте 29 декабря 1959 года. Физик рассуждал о возможности управлять веществом на крайне малых масштабах: например, уместить всю Encyclopædia Britannica на булавочной головке. Он не обещал волшебства — лишь напоминал, что фундаментальные законы не запрещают работать с атомами. Индустрия затем десятилетиями осваивала это «место внизу» почти с завидной регулярностью.
Символом эпохи стал закон Мура. В 1965 году сооснователь Intel Гордон Мур описал наблюдение: число компонентов, при котором производство микросхемы оказывается наиболее выгодным, растёт примерно экспоненциально. Его идея была не гарантией бесконечного уменьшения транзисторов, а экономическим наблюдением о балансе плотности и брака. Но именно этот баланс позволил пройти путь от компьютеров размером с комнату до устройств на запястье.
Параллельно работало правило Деннарда, сформулированное инженером IBM Робертом Деннардом в 1974 году: уменьшение транзисторов давало не только плотность, но и более высокую скорость при приемлемом энергопотреблении. Около 2004 года схема сломалась. Частоты процессоров перестали уверенно расти после рубежа в 3 ГГц, Intel отказалась от обещанного 4-гигагерцевого процессора, а индустрия переключилась на многоядерность. В результате производительность стала зависеть не столько от быстроты одного ядра, сколько от того, сколько чипов, памяти и межсоединений удастся собрать в одну систему.
AI довёл этот сдвиг до предела видимости. По данным издания, вычислительные затраты на обучение моделей с 2010 года удваивались примерно каждые шесть месяцев — намного быстрее, чем позволял классический темп закона Мура. Новые транзисторы всё ещё становятся плотнее и совершеннее, но они уже не дают прежнего автоматического выигрыша. Чтобы получить следующий скачок, приходится наращивать кластеры, подводить питание, строить охлаждение и решать, как доставить данные к вычислительным блокам без потерь скорости.
Замедление касается не только логики чипов. Издание указывает на ослабление сразу нескольких эмпирических трендов: закон Куми, описывающий объём вычислений на джоуль энергии; закон Крайдера о плотности магнитных накопителей; закон Кека о пропускной способности оптоволокна. Это не физические запреты, а описание инженерной траектории, которая долго была исключительно удачной. Поэтому корректнее говорить не о конце прогресса, а о конце дешёвого и предсказуемого прогресса.
Для IT-команд из этого следует довольно приземлённый вывод: эффективность архитектуры вновь становится конкурентным преимуществом, а не факультативной оптимизацией после запуска. Выбор модели, квантизация, маршрутизация запросов, работа с памятью, перенос части задач на специализированные процессоры и дисциплина в данных могут оказаться важнее, чем ещё один масштабный закупочный раунд. Пределы вычислений пока определяются не фундаментальной физикой: квантовая механика, теория информации и относительность допускают гораздо больше, чем умеет современный дата-центр. Вопрос в другом — какие из этих возможностей окажутся инженерно и экономически достижимыми раньше, чем рост AI-инфраструктуры упрётся в энергетику и цену капитала.