Содержание
Читайте в Telegram
|
Российские компании столкнулись с ростом расходов на вычислительную инфраструктуру для искусственного интеллекта.
Средний месячный чек за аренду выделенных GPU-серверов для задач ИИ и машинного обучения за первые пять месяцев 2026 года увеличился на 64% по сравнению с аналогичным периодом прошлого года, с 1,4 млн до 2,3 млн рублей. При этом 33% заказов на GPU-серверы уже приходится на ИИ и машинное обучение.
Рост среднего чека связан в том числе с изменением требований к оборудованию. Компании переходят от экспериментов с небольшими моделями к промышленным системам, которым требуются более производительные ускорители, большой объем видеопамяти и стабильная работа под нагрузкой. Из-за этого дорожают проекты, усложняются закупки и увеличивается зависимость бизнеса от доступности конкретных серверных конфигураций.
В компании «ГИГАНТ — Компьютерные системы» предупреждают, что в 2027 году дефицит высокопроизводительных ускорителей и увеличение сроков поставки могут стать одними из главных ограничений для корпоративных ИИ-проектов. Причем проблемы возникают еще до запуска моделей: согласованная конфигурация может подорожать, пока компания утверждает бюджет и проходит закупочные процедуры.
ИИ вышел из пилотов и начал конкурировать за оборудование
Несколько лет назад для многих корпоративных ИИ-проектов было достаточно арендовать вычислительные мощности на ограниченный срок. Компания проверяла гипотезу, обучала небольшую модель, оценивала качество ее работы и принимала решение о дальнейшем развитии.
Теперь требования меняются. Банки, промышленные предприятия, телеком, ретейл, научные организации и разработчики ИИ-сервисов переходят к регулярному использованию моделей. Они внедряют компьютерное зрение, автоматизируют обработку документов, анализируют большие массивы данных, применяют машинное обучение в инженерных расчетах и производственном контроле.
В таких сценариях вычислительные ресурсы нужны постоянно. Модель должна обрабатывать определенное количество запросов, обеспечивать приемлемую задержку и сохранять производительность при росте нагрузки. Для этого компаниям требуются серверы с GPU-ускорителями, подходящим объемом видеопамяти, достаточной пропускной способностью межсоединений и подготовленной инфраструктурой.
При этом требования сильно различаются. Для запуска относительно небольшой модели может хватить одного ускорителя. Для обучения крупной модели или работы с большими объемами данных могут понадобиться несколько GPU, связанные высокоскоростной сетью. Количество карт само по себе не гарантирует необходимую производительность: многое зависит от архитектуры модели, организации вычислений, объема памяти и обмена данными.
Спрос на такие конфигурации растет одновременно в нескольких сегментах рынка. Облачные провайдеры расширяют инфраструктуру для аренды, крупные компании развивают собственные вычислительные кластеры, а разработчики ИИ-сервисов увеличивают мощности под коммерческие продукты.
«GPU-ускорители нужны всем одновременно: облачным провайдерам, крупным промышленным компаниям, банкам, разработчикам ИИ-сервисов, научным центрам, производственным предприятиям. Спрос растет глобально, а число производителей таких компонентов ограничено», — объясняет Мария Соловьева, руководитель направления серверной инфраструктуры и систем хранения данных компании «ГИГАНТ — Компьютерные системы».
Быстро увеличить предложение наиболее производительных ускорителей сложно. Их выпуск зависит от передовых полупроводниковых техпроцессов, доступности высокоскоростной памяти, производственных мощностей и цепочек поставок. Поэтому повышение спроса на конкретные модели GPU может приводить к росту цен и увеличению сроков ожидания.
Стоимость сервера может измениться за время согласования
GPU-серверы существенно отличаются по структуре стоимости от традиционного серверного оборудования. В обычной конфигурации расходы распределяются между процессором, оперативной памятью, накопителями, материнской платой, сетевыми адаптерами и другими компонентами. В высокопроизводительном ИИ-сервере основную часть стоимости могут формировать графические ускорители.
Для конфигураций с четырьмя или восемью GPU даже относительно небольшое изменение цены одного ускорителя значительно влияет на общий бюджет.
Проблема усугубляется сроками согласования закупок. Компания определяет требования, получает коммерческие предложения, сравнивает поставщиков, утверждает финансирование и проводит внутренние процедуры. За это время стоимость оборудования и условия поставки могут измениться.
В результате ИТ-службе приходится повторно согласовывать смету либо пересматривать конфигурацию. Иногда оборудование с нужными характеристиками остается доступным, но его поставка занимает больше времени, чем предполагалось при планировании проекта.
«Пока компания согласует закупку, уточняет архитектуру, проверяет лимиты и проходит внутренние процедуры, цена может измениться. Иногда меняется и срок поставки, потому что нужная партия уже ушла другому покупателю или поставщик пересобрал условия», — отмечает Мария Соловьева.
Для корпоративного ИИ это создает дополнительный риск. Если модель уже подготовлена к промышленной эксплуатации, задержка оборудования может сдвинуть запуск сервиса, от которого ожидают сокращения расходов или повышения производительности.
Особенно чувствительны к таким изменениям проекты с жесткими сроками внедрения. Например, если вычислительный кластер должен обеспечить работу системы компьютерного зрения на производстве или обработку большого потока клиентских обращений.
Купить видеокарты недостаточно. Нужна инфраструктура вокруг них
Высокая стоимость GPU привлекает основное внимание при расчете проекта, но ускорители составляют только часть инфраструктуры.
При использовании нескольких производительных GPU необходимо учитывать энергопотребление серверов, тепловыделение, возможности системы охлаждения, характеристики сетевых соединений и пропускную способность подсистемы хранения.
Ошибки на этом этапе могут привести к тому, что купленное оборудование не получится использовать с ожидаемой производительностью.
Например, сервер может физически размещаться в стандартной стойке, но требования к его электропитанию или охлаждению окажутся выше возможностей площадки. В другом случае ограничением станет сеть между узлами кластера или скорость доступа к данным.
Отдельная задача связана с отказоустойчивостью. Если ИИ-сервис участвует в критичном бизнес-процессе, компании необходимо заранее определить, как будет организована работа при отказе ускорителя, сервера или сетевого компонента.
Нужно учитывать доступность запасных частей, условия гарантии и сроки замены оборудования. Для некоторых конфигураций отказ отдельного GPU способен привести к недоступности всей рабочей нагрузки, если архитектура не предусматривает резервирование или перераспределение задач.
Поэтому итоговая стоимость проекта включает серверы, сетевое оборудование, системы хранения, подготовку площадки, эксплуатацию, техническую поддержку и возможное расширение мощностей.
Облако помогает запустить пилот, но постоянная нагрузка меняет расчеты
На фоне высокой стоимости оборудования компании вынуждены выбирать между покупкой собственного GPU-сервера, арендой выделенной конфигурации и использованием облачной инфраструктуры.
Для пилотных проектов облако остается удобным вариантом. Компания получает доступ к вычислительным ресурсам без капитальных затрат, проверяет модель и оценивает ее требования к инфраструктуре.
Такой подход особенно оправдан, когда нагрузка нерегулярная. Например, если ускорители требуются для периодического обучения, тестирования или выполнения отдельных вычислительных задач.
При переходе к промышленной эксплуатации экономика меняется. Если модель постоянно обрабатывает запросы и должна обеспечивать определенное время ответа, аренда вычислительных мощностей становится регулярной статьей расходов.
Собственная инфраструктура в таких случаях может оказаться выгоднее, но универсального решения нет. Все зависит от загрузки оборудования, горизонта эксплуатации, облачных тарифов, расходов на персонал, энергопотребления и требований к доступности сервиса.
Важно учитывать и технические особенности модели. Для некоторых задач критично наличие большого объема видеопамяти, для других важнее скорость обработки запросов или производительность при одновременной работе множества пользователей.
Если компания покупает оборудование с большим запасом, но использует лишь небольшую часть его возможностей, капитальные вложения могут не окупиться. Если же постоянную нагрузку продолжают размещать на дорогостоящих арендованных ресурсах, расходы на эксплуатацию способны превысить стоимость собственного решения.
Поэтому сравнивать облако и локальную инфраструктуру следует по совокупной стоимости владения за несколько лет, учитывая реальные характеристики нагрузки.
Почему данные могут заставить компанию покупать собственные GPU
Помимо стоимости вычислений, на выбор инфраструктуры влияют требования к обработке информации.
Корпоративные модели могут работать с персональными данными, внутренней технической документацией, финансовой информацией, результатами инженерных расчетов и сведениями о производственных процессах.
При использовании внешней инфраструктуры необходимо учитывать, где размещаются данные, кто получает к ним доступ, какие средства защиты предусмотрены и какие обязанности принимает на себя поставщик.
Для компаний, работающих с объектами КИИ и государственными информационными системами, могут действовать дополнительные требования к архитектуре, размещению и защите информации.
Это повышает интерес к локальным вычислительным кластерам и облачным сервисам с подходящей юрисдикцией и договорными гарантиями.
При этом собственное оборудование не обеспечивает безопасность автоматически. Компании все равно нужно разграничивать доступ, защищать данные, контролировать изменения конфигураций и моделей, организовывать мониторинг и резервирование.
Международный рынок также движется в сторону локализации отдельных вычислительных нагрузок. Gartner выделяет геопатриацию, то есть перенос данных и приложений из глобальных облаков в региональные, суверенные или собственные инфраструктуры для снижения геополитических и регуляторных рисков.
Для бизнеса это означает, что выбор GPU-инфраструктуры все чаще зависит одновременно от стоимости вычислений, требований к данным и возможности контролировать эксплуатацию сервисов.
Как не купить дорогостоящий сервер, который будет простаивать
Высокий спрос на GPU не означает, что любому корпоративному ИИ-проекту необходим мощный вычислительный кластер.
Требования к оборудованию зависят от того, какую задачу решает компания. Обучение модели, ее дообучение и обработка пользовательских запросов имеют разные профили нагрузки.
Например, для запуска небольшой языковой модели с ограниченным количеством пользователей может подойти сравнительно доступная конфигурация. Обучение крупной модели с нуля требует принципиально другого уровня вычислительных ресурсов.
Кроме того, часть задач можно решить за счет оптимизации модели. Квантование, дистилляция и другие методы позволяют в определенных случаях уменьшить требования к вычислениям и памяти, сохранив приемлемое качество результата.
Это особенно важно при выборе оборудования для промышленной эксплуатации. Покупка максимально производительных ускорителей не всегда оправданна, если аналогичную задачу можно решить на менее дорогой конфигурации.
Перед закупкой необходимо оценить характеристики модели, предполагаемое количество пользователей, пиковую и среднюю нагрузку, требования к задержке, объем данных и перспективы масштабирования.
«Не каждый ИИ-проект требует мощностей GPU-сервера. Если сценарий еще не подтвержден, данные не подготовлены, а нагрузка непонятна, логичнее начать с тестов и расчетов», — считает Мария Соловьева.
Не менее важно проверить происхождение оборудования, его фактическую конфигурацию, условия гарантии и возможность дальнейшего расширения. Высокая стоимость ускорителей повышает значимость этих вопросов: ошибка при выборе поставщика или комплектующих может привести к дополнительным расходам и задержке проекта.
В 2027 году ИИ-проекты могут упереться в доступность серверов
Рост интереса к искусственному интеллекту постепенно меняет структуру спроса на серверное оборудование. Компании переходят от проверки отдельных гипотез к запуску постоянных сервисов, а значит, им требуются более производительные и предсказуемые вычислительные ресурсы.
На этом фоне наличие нужной GPU-конфигурации становится самостоятельным условием успешного внедрения. Даже готовая модель не сможет перейти в промышленную эксплуатацию, если компания не обеспечила необходимые мощности, сетевую инфраструктуру и условия размещения.
Однако торопиться с покупкой оборудования только из-за опасений дальнейшего роста цен тоже рискованно. Если требования к модели еще не определены, а предполагаемая нагрузка не подтверждена, компания может потратить значительный бюджет на инфраструктуру, которая не соответствует реальным задачам.
Поэтому для бизнеса все важнее предварительное проектирование. Оно позволяет определить необходимые характеристики GPU, оценить стоимость эксплуатации и сравнить собственную инфраструктуру с арендованными ресурсами.
При сохранении высокого спроса и ограниченной доступности наиболее производительных ускорителей сроки поставки могут стать для ИИ-проектов не менее значимым ограничением, чем бюджет.
Компании, которые заранее определили требования к вычислительной инфраструктуре и рассчитали экономику эксплуатации, смогут точнее планировать запуск сервисов. Остальным придется принимать решения уже в условиях изменившихся цен, доступности оборудования и сроков поставки.
