# Сможет ли Open Source догнать OpenAI: анализ вычислительного разрыва и роли Китая

Источник: https://www.youtube.com/watch?v=BKuK0M6oDTI
Канал: a16z (Andreessen Horowitz)
Опубликовано: 14.10.2026

---

В условиях стремительного развития технологий искусственного интеллекта вопрос о том, смогут ли открытые модели (Open Source / Open Weights) конкурировать с «закрытыми» гигантами вроде OpenAI и Anthropic, становится ключевым для всей индустрии. Лиша Ли из фонда a16z обсудила с исследователем ИИ и основателем Trillium Натаном Ламбертом структурные преимущества флагманских лабораторий и стратегии догоняющего развития, которые используют компании в Китае и сообщество разработчиков открытых моделей.

## 🚀 Три кита успеха: Вычислительные мощности, Данные и Таланты
[[JUMP:00:00]]

Натан Ламберт считает, что прогресс ИИ-моделей сегодня напрямую зависит от концентрации трех видов капитала: вычислительных мощностей (compute), данных и человеческих талантов [00:00]. В то время как таланты распределены по миру относительно равномерно, разрыв в доступе к «железу» становится критическим фактором.

По словам Ламберта, топовые лаборатории вроде Anthropic и OpenAI обладают огромным преимуществом в организации этих ресурсов [02:21]. В частности, OpenAI продемонстрировала выдающиеся способности в создании новых парадигм, таких как модели рассуждения (reasoning models), изменив представление индустрии о законах масштабирования [03:23]. Anthropic, в свою очередь, сосредоточилась на конкретных прикладных навыках, что привело к резкому скачку качества написания кода в модели Claude [03:35].

## 🇨🇳 Китайский феномен: Стратегия «быстрого последователя»
[[JUMP:03:49]]

Китайские лаборатории, такие как Moonshot AI и Zhipu, выбрали путь выпуска открытых моделей не из альтруизма, а из практических бизнес-соображений [04:02]. Ламберт утверждает:

*   **Дистрибуция как маркетинг:** Публикация весов моделей позволяет китайским стартапам мгновенно войти в глобальную повестку и получить доступ к рынку США, где есть высокий платежеспособный спрос [04:14].
*   **Дефицит чипов:** Главная проблема Китая — нехватка вычислительных ресурсов. Ламберт описывает реакцию ведущих китайских исследователей, когда они узнают, что рядовой сотрудник OpenAI может иметь доступ к 5000 GPU H100: «Их челюсти буквально падают на пол» [09:16].
*   **Государственное влияние:** Натан опровергает мнение, что за каждым открытым релизом стоит правительство КНР; чаще всего это частная инициатива стартапов, пытающихся выжить в условиях жесткой конкуренции [04:26].

## 🧪 Дистилляция или кража: Как открытые модели догоняют лидеров
[[JUMP:08:48]]

Существует мнение, что открытые модели сократили разрыв до 2–3 месяцев исключительно благодаря дистилляции — обучению на ответах более мощных закрытых моделей [08:01]. Однако Ламберт считает этот процесс более сложным:

*   **Дистилляция как конкуренция:** Ламберт цитирует главу NVIDIA Дженсена Хуанга, который на вопрос о «краже» данных через дистилляцию ответил: «Это называется конкуренцией» [15:07].
*   **Технологические сложности:** Простого копирования ответов недостаточно. Ламберт отмечает, что многие разработчики открытых моделей до сих пор не могут превзойти старые версии Qwen, потому что не понимают тонкостей настройки гиперпараметров и состава обучающих данных [10:58].
*   **Утечка через API:** Появление моделей, которые выдают «цепочки рассуждений» (tokens of thought), упрощает дистилляцию, так как конкуренты видят не только результат, но и логику модели [13:54].

## 📉 Экономика и будущее: Почему открытый ИИ победит в долгосрочной перспективе
[[JUMP:19:24]]

Натан Ламберт описывает два разных цикла развития:

1.  **Закрытые лаборатории:** Интегрированы вертикально, захватывают высокомаржинальные рынки первыми, но требуют астрономических инвестиций [19:31].
2.  **Экосистема открытых моделей:** Развивается медленнее, так как информация между разработчиками, провайдерами инфраструктуры и клиентами течет дольше [20:09].

Однако в финале компании предпочитают владеть собственными весами моделей без кабальных условий API, чтобы работать со своими приватными данными на собственном «железе» [21:11]. Это создает устойчивый спрос на открытые системы. Ламберт также прогнозирует резкое падение стоимости вычислений (на 50% каждые 8 месяцев в ближайшие три года), что через 4 года может снизить стоимость нынешнего уровня ИИ до 1% от текущей цены [26:51].

## 🌸 Лаборатория Trillium: Демистификация «самоулучшения» ИИ
[[JUMP:31:29]]

Натан представил свою новую некоммерческую организацию **Trillium**, названную в честь лесного цветка, который цветет ранней весной до появления густой листвы на деревьях [33:49]. Миссия лаборатории:

*   **Создание открытых сред:** Разработка RL-окружений (для обучения с подкреплением), которые сейчас монополизированы корпорациями [31:45].
*   **Прозрачность RSI:** Демистификация рекурсивного самоулучшения (Recursive Self-Improvement). Ламберт хочет показать, как именно ИИ автоматизирует работу самих исследователей [38:05].
*   **Борьба с «галлюцинациями» агентов:** Документирование ошибок, которые совершают ИИ-агенты при выполнении рабочих задач, чтобы помочь регуляторам и ученым лучше понимать реальные риски [41:28].

## 🛡️ Безопасность и «Взрывной рост» (Takeoff)
[[JUMP:55:03]]

В завершение дискуссии Ламберт выразил скепсис относительно сценариев «мгновенного взлета» ИИ, когда модель начинает бесконтрольно улучшать сама себя [55:29]. Он подчеркивает, что все законы масштабирования показывают: для линейного роста способностей требуется экспоненциальный рост вычислений [55:42].

Главный риск, по мнению Натана, заключается не в самом появлении сильного ИИ (AGI), а в отсутствии подготовки общества к сопутствующим угрозам, таким как кибератаки [57:23]. Он призывает к большей прозрачности и научному подходу в изучении возможностей моделей, чтобы общество могло подготовиться к изменениям, которые уже на пороге [58:02].