ИИ становится сильнее. Станет ли он доступнее?

S-1 — документ для регистрации размещения, а не свидетельство уже состоявшегося IPO. В поданной версии нет подтверждения, что торги начнутся именно 16 ноября. Поэтому эту дату мы не используем как установленный факт. Проспект Anthropic.

Зато документ позволяет рассмотреть материальную сторону индустрии. За привычным окном чата стоят договоры на облачные мощности, оборудование, размещение и энергоснабжение. Их сроки значительно длиннее жизненного цикла отдельной модели.

В разделе Contractual Obligations перечислены, в частности, следующие договорённости. Суммы — в миллиардах долларов, за весь указанный период, а не за год.

Источник: S-1, страницы 170–173. Таблица сокращает условия договоров; её нельзя использовать как полный юридический разбор.

Арифметическая сумма семи строк — 637 млрд долларов. Но это сумма разнородных величин: минимумов, верхних оценок, аренды оборудования без процентов и соглашений с возможностью отмены. Называть её единым безусловным долгом было бы ошибкой.

Дополнительно Anthropic оценивает платежи за будущие TPU-мощности у нескольких поставщиков, включая Google, в 125–150 млрд долларов. Договор с AMD не содержит фиксированной долларовой суммы: при получении всего первоначального объёма компания ожидает расходы свыше 20 млрд, а также допускает дополнительную закупку мощностей. В документе есть и другие инфраструктурные обязательства. Поэтому популярное «800+ миллиардов» передаёт порядок масштаба, но не является готовой, однородной строкой обязательств, которую можно без пояснений взять из отчётности. Те же разделы S-1.

Для нашего вывода важнее устройство этих договоров. Значительную часть мощностей приходится заказывать заранее. К моменту их ввода компания должна иметь достаточный спрос и финансирование. Если мощности недозагружены, обязательные платежи не обязательно уменьшаются вместе с использованием.

Это экономика инфраструктуры: будущую потребность приходится превращать в сегодняшнее обязательство.

Чтобы оценить текущую динамику, возьмём сопоставимые периоды из финансовых таблиц S-1. Не будем смешивать полугодие, квартал и годовую оценку темпа выручки.

Полугодовые показатели неаудированные. Источник: S-1, Results of Operations, стр. 148–150; Consolidated Statements of Operations, F-8.

Выручка выросла примерно в 14 раз, вычислительные и инфраструктурные расходы — примерно в 3,8 раза. Их отношение к выручке снизилось с 201% до 55%. Это существенное улучшение, но 55% — не себестоимость пользовательских ответов и не обратная величина валовой маржи.

В этой статье расходов Anthropic объединяет обслуживание клиентов, исследования, развитие моделей и внутреннее использование Claude, а также связанные инфраструктурные затраты. Оставшиеся 45% выручки нельзя автоматически назвать прибылью: компания несёт другие расходы, что видно в той же таблице.

И ещё одна ловушка. Чистый убыток за первое полугодие 2026 года в отчётности составляет около 80,7 млрд долларов; 72,4 млрд приходится на изменение справедливой стоимости конвертируемых инструментов и связанных обязательств. Это нельзя пересказать как «Anthropic сожгла 80 миллиардов наличными». Операционный результат, чистый результат и движение денег описывают разные стороны бизнеса. S-1, стр. 148–149 и F-8.

В исходной новости фигурировали 16,8 млрд выручки и 9,9 млрд вычислительных расходов за III квартал. Для этой пары мы не нашли доступного первичного финансового раскрытия, достаточного для включения в расчёт. При этом говорить, что в S-1 вообще нет данных на конец III квартала, тоже неверно: там присутствуют, например, клиентские показатели на 30 сентября.

На эту дату компания указывает более 11 900 клиентов с выручкой от каждого от 100 тысяч долларов за предшествующие двенадцать месяцев; более 1 900 — от миллиона; около 250 — от десяти миллионов. Это вложенные группы, их нельзя складывать. И это фактический показатель за двенадцать месяцев, а не обещание платить такую сумму каждый следующий год. S-1, клиентские показатели TTM на 30 сентября.

Таким образом, за инфраструктурной гонкой уже есть крупный платящий спрос. Но сегодняшняя выручка сама по себе не доказывает окупаемость всех будущих договоров. Для этого важны будущие цены, загрузка, эффективность и способность удерживать клиентов.

OpenAI описывает опубликованные материалы как исходные исследовательские данные, вокруг которых ещё предстоит построить научное понимание. Для математики и информатики раскрыты тексты и формализации Lean. Для физики материалы переданы внешней группе; публикация исходных артефактов отложена. Само участие известных учёных в разборе не заменяет результат проверки. Порядок раскрытия OpenAI.

Математика: результат важен связями между задачами

В математическом препринте заявлено доказательство гипотезы локального сглаживания для евклидова волнового уравнения во всех пространственных размерностях от двух. Упрощённо речь о том, насколько сильное сосредоточение волны может сохраняться при усреднении по времени. Из полученных оценок авторы выводят семейство результатов, включая утверждения о множествах Какеи, оценки Бохнера — Рисса и теорию ограничения Фурье — в указанных в работе диапазонах параметров. Математический препринт OpenAI.

Чтобы почувствовать масштаб: Ван Хун получила медаль Филдса 2026 года за работы в гармоническом анализе и геометрической теории меры, в том числе связанные с трёхмерной гипотезой Какеи, доказанной совместно с Джошуа Залем. Новый заявленный результат относится уже ко всем размерностям. IMU, CNRS о работах Ван Хун.

Это не обещание, что завтра нейросеть точнее рассчитает ваш рекламный бюджет. Значение здесь фундаментальное: один новый метод способен открыть сразу несколько направлений дальнейшей работы.

Информатика: опровержение ETH не означает P = NP

Гипотеза экспоненциального времени относится к тому, насколько быстро в худшем случае можно решать определённые задачи выполнимости булевых формул. В опубликованном препринте предложен детерминированный субэкспоненциальный алгоритм для подсчёта решений k-CNF при фиксированном k. Если доказательство корректно, гипотеза ETH ложна. Препринт об ETH.

Субэкспоненциальное время всё ещё может быть огромным. Это не равнозначно полиномиальному алгоритму, не доказывает P = NP и не означает немедленного появления практически быстрого решения любой сложной задачи. При пересмотре условных нижних оценок нужно проверять, на каких предположениях и преобразованиях построен каждый результат.

Поэтому обещания «теперь оптимизация стала бесплатной» или «вся криптография сломана» из этой новости не следуют. Между теоремой и работающей системой остаются алгоритмы, реализация, размеры входных данных, константы и проверка применимости.

Сообщение об отдельном опровержении ETH системой Anthropic за 14 млн выходных токенов мы пока не включаем в доказательную основу: доступный первичный артефакт и условия этого подсчёта в ходе проверки не установлены. Даже подтверждённое количество выходных токенов само по себе не было бы полной стоимостью открытия.

Физика: существование теории — не вся задача тысячелетия

Физическое заявление касается строгого математического построения некоторых взаимодействующих квантовых теорий поля в четырёх измерениях, включая КХД и объединённое завершение Стандартной модели. OpenAI связывает подход с работами Балабана. Исходные артефакты пока не раскрыты, поэтому независимая публичная проверка ограничена. Объявление OpenAI.

Существование чистой теории Янга — Миллса входит в этот заявленный результат как подзадача. Однако задача Клэя требует также положительной массовой щели. Из объявления не следует, что выполнены все условия задачи тысячелетия. И математическое существование объединённой теории не является экспериментальным подтверждением того, что именно она описывает природу. Постановка задачи Клэя.

Мы сверили заявления с первичными материалами, но не проводили независимую математическую экспертизу доказательств и не воспроизводили проверку Lean. Формализация — важный проверочный инструмент; наряду с её корректностью существенны исходные предпосылки и соответствие формального утверждения той задаче, о которой рассказывает новость.

В Акте V «Предел имитации интеллекта» мы подробно разбирали риск: связный машинный ответ получает статус самостоятельного экспертного заключения раньше, чем проверены его основания.

Этот риск сохраняется. Но формулировку о пределах модели нельзя превращать в заранее установленный запрет на новое знание. Если система получает новое корректное доказательство, его научная ценность не исчезает из-за способа генерации. Слов «она просто предсказывает токены» недостаточно, чтобы оценить полученный результат.

Нам нужно точнее разделять три вопроса. Способна ли система получить новое решение? Насколько надёжно она решает конкретный класс задач? Кому позволено действовать на основании её вывода и кто отвечает за последствия?

Положительный ответ на первый не устанавливает автоматически ответы на остальные. Теорема проверяется в явно заданной системе определений и предпосылок. В бизнес-задаче ещё нужно установить, достаточно ли точно эти предпосылки описывают компанию, покупателей, ограничения и текущую ситуацию.

Именно здесь продолжается работа с Data Evidence Layer: сохранять связь утверждения с источником, условиями и статусом проверки. Научные новости не доказывают нашу методологию. Они дают хороший повод применить её требования к собственному тексту — включая готовность исправить прежний вывод.

Нужно различать цену единицы вычислительной услуги, стоимость завершённой задачи и расходы на весь объём работ. Они могут двигаться в разные стороны.

На 27 октября стандартные API-тарифы OpenAI для короткого контекста выглядят так:

Источник: официальный прайс API. Это базовые ставки выбранного режима, без кэширования, инструментов и специальных условий. Они не являются ценами подписки ChatGPT. Разница ставок не показывает разницу качества на конкретной задаче.

Такой прайс уже демонстрирует несколько экономических уровней. Но он не доказывает, что модель, использованная для научных результатов, доступна пользователю под названием Terra: в научном сообщении речь идёт о внутренней системе.

Для многих повторяющихся операций достаточно более дешёвой модели. Сложная задача может потребовать дорогого режима, длинного контекста, нескольких попыток и проверки. Агент способен сделать десятки вызовов там, где раньше человек отправлял одно сообщение. Поэтому снижение цены токена не гарантирует снижения стоимости рабочего сценария.

Представим условный пример: цена одной операции уменьшилась вдвое, а количество операций выросло в пять раз. Итоговый счёт увеличился в 2,5 раза. Это арифметика потребления, а не свидетельство подорожания самой операции.

Если новые возможности позволяют решать ранее недоступные задачи, компания может добровольно тратить на ИИ больше — и при этом получать лучшую экономику. Но рост количества выполненных действий ещё нужно перевести в полезный результат. Тысяча дополнительных отчётов, которые никто не использует, остаётся расходом.

В инфраструктурных обязательствах есть давление в обе стороны.

При свободных мощностях поставщику выгодно увеличивать загрузку: предлагать доступные модели, скидки на отложенную обработку и способы повторного использования контекста. Если мощности уже оплачиваются, дополнительный спрос может улучшать экономику.

При дефиците мощности та же компания может ограничивать интенсивное использование, продавать приоритет и более дорогие режимы. Когда одна исследовательская задача занимает ресурсы, на которых можно обслужить множество обычных запросов, появляется выбор между разными способами использования мощности.

Наконец, цена зависит от конкуренции и готовности покупателей платить. Рост издержек не гарантирует, что их получится полностью переложить на клиента. А снижение издержек не гарантирует, что вся экономия достанется пользователю.

Поэтому из S-1 нельзя вывести ни «нейросети скоро станут недоступными», ни «весь интеллект скоро будет бесплатным». Наш рабочий сценарий — дальнейшее расслоение доступа: доступные массовые операции и отдельная оплата самых ресурсоёмких возможностей. Это сценарий, который нужно проверять по новым тарифам и условиям, а не обещание рынка.

Эти сценарии могут проявляться одновременно в разных продуктах. Вероятности и даты мы им не назначаем: опубликованных данных для такого расчёта недостаточно.

Для мировой экономики здесь важен переход от программного продукта к капиталоёмкой инфраструктуре. Мощности требуют оборудования, площадок, энергоснабжения и времени. Доступ к капиталу и инфраструктурным партнёрам становится частью конкурентного преимущества разработчика моделей.

Физические ограничения никуда не исчезают. В докладе Energy and AI 2025 года Международное энергетическое агентство оценивало потребление электроэнергии всеми дата-центрами в 2024 году примерно в 415 ТВт·ч, а базовый сценарий на 2030 год — около 945 ТВт·ч. Это датированный прогноз для дата-центров в целом, не измерение потребления одних LLM и не гарантированный результат. IEA, Energy and AI.

Но количество построенных центров и объём привлечённого финансирования ещё не измеряют прирост производительности. Он появляется, когда внедрение помогает выпускать больше нужного продукта, повышать качество, сокращать задержки или выполнять работу, которая прежде была невозможна.

Между моделью и этим эффектом стоят перестройка процессов, подготовка данных и обучение людей. Сэкономленный час становится экономическим результатом, если высвободившийся ресурс используется или позволяет действительно сократить затраты. Сам по себе быстрый ответ в чате ещё ничего не говорит об итоговой эффективности организации.

И выгоды распределяются неравномерно. Поставщик инфраструктуры получает выручку за мощность; разработчик модели должен окупить исследования и обслуживание; компания-пользователь — внедрение. Покупатель конечного продукта может получить более низкую цену, лучшее качество или вообще не заметить изменений. Технологический успех и прибыль каждого участника — отдельные вопросы.

Есть и риск концентрации. Когда данные, рабочие привычки и автоматизация привязаны к одному поставщику, смена модели требует всё больше усилий. Даже доступная подписка способна стать дорогой зависимостью, если её замена останавливает значимую часть работы.

Мы разбирали похожую проблему в датированном материале о сбое Яндекса. Использовать внешнюю инфраструктуру разумно. Важно заранее понимать, какие собственные опоры сохраняются, если меняются доступ, условия или работоспособность сервиса.

Для небольшой компании цена миллиона токенов обычно слишком далека от управленческого решения. Ей нужна другая единица: проверенное коммерческое предложение, корректно обработанное обращение, принятый фрагмент кода, найденный и подтверждённый ответ по регламенту.

Рабочий расчёт выглядит так:

Стоимость принятого результата = расходы на модель, инструменты, повторные попытки, проверку и исправление + доля затрат на внедрение и эксплуатацию.

В статистике процесса эти расходы следует делить на число результатов, действительно прошедших приёмку. Отдельно нужно учитывать последствия ошибок, которые контроль пропустил.

Вот условное сравнение двух способов подготовки документа. Это учебные цифры, не тарифы провайдеров и не результаты нашего внедрения. Предположим, что после проверки оба документа удовлетворяют одним требованиям, а час специалиста стоит 1 200 рублей.

У второго варианта вычислительная часть дороже втрое, а переменные расходы на принятый документ ниже. Фиксированные затраты внедрения и остаточные риски в таблицу не включены; в реальном проекте их нужно добавить.

Возможна и обратная ситуация: дешёвая модель справляется с простой классификацией так же хорошо, а дорогая ничего существенного не улучшает. Поэтому выбор определяется проверкой на собственных задачах. Название модели не заменяет такого сравнения.

Для агентства этот принцип меняет и предмет собственной работы. Массовое производство текстов уже не может быть достаточным основанием цены. Ценность приходится показывать через диагностику, применимые сведения, качество решения и результат проверки. В статье «Все выглядят экспертами» мы разбирали, как покупателю отличать убедительную подачу от оснований доверия. Теперь это относится и к обещаниям об эффективности ИИ.

Начать стоит с одного процесса, где понятны объём работы, текущие затраты и критерии результата. Например, поиск ответа по действующим спецификациям. Сначала собрать типовые и трудные вопросы, определить правильные основания, затем сравнить несколько способов решения, включая обычный поиск без генерации.

Для каждого варианта фиксировать качество, время, расходы, долю ручных исправлений и случаи, когда система должна признать недостаток данных. После смены модели или базы документов повторять существенные проверки. Такой небольшой опыт даст для бюджета больше, чем общий рейтинг «самых умных нейросетей».

Дальше — разделить задачи по сложности и последствиям. Простое извлечение можно поручить более дешёвому инструменту. Сложный анализ — более сильной модели. Действия с деньгами, доступами и внешними обязательствами требуют отдельно определённых полномочий и контроля. Возможность предложить решение ещё не является разрешением его исполнить: эту границу мы подробно разбираем в «Своевластии без субъекта».

Важные данные, критерии приёмки и история решений должны сохраняться в доступном компании виде. Полезно заранее проверить, что можно экспортировать, какой альтернативный инструмент подходит и какие операции останутся выполнимыми при недоступности основного сервиса. Резервная схема не обязана повторять все возможности основного продукта; она должна поддерживать действительно критичную работу.

Локальная модель — один из вариантов, но не универсальная экономия. У неё есть оборудование, эксплуатация, обновления, потребность в специалистах и ограничения качества. При малой загрузке внешний сервис может быть выгоднее. В материале о нашей AI-лаборатории мы объясняем, зачем собственный контур нужен нам: управлять условиями эксперимента и разбирать путь от источника до ответа. Из этого не следует, что каждой компании нужен свой сервер.

Такой порядок продолжает логику Акта VI: получить проверяемый результат достаточно рано, пока исправление ошибки ещё не требует переделывать готовую систему. Для ИИ-проекта это означает сначала проверить задачу, данные и экономику, а затем расширять внедрение.

Большинство повседневных задач не требует системы, работающей на границе научных исследований. Редактура письма, объяснение темы, черновик презентации и поиск идей могут становиться доступнее по мере улучшения массовых моделей. Но достаточность инструмента определяется конкретной задачей, а не обещанием, что дешёвая модель уже умеет всё.

Доступ к передовым возможностям полезно оценивать шире цены подписки. Важны число сложных запросов, продолжительность работы агента, доступные инструменты, задержка, правила обработки данных и региональная доступность. Пакет может стоить столько же, но давать меньше ресурсоёмкой работы. Или наоборот — больше полезного результата при прежнем лимите.

Поэтому покупать самый дорогой тариф только из-за новости о теореме нет необходимости. Сначала стоит определить, чего не хватает в текущей работе, и проверить улучшение на нескольких знакомых задачах. Если новый режим уменьшает время исправления или позволяет закончить то, что раньше не получалось, у доплаты появляется основание.

Для российских пользователей отдельно существенны официальная доступность сервиса, условия оплаты и допустимость обработки конкретных данных. Долларовая строка API-прайса не означает, что продукт доступен любому пользователю на тех же условиях. Перед покупкой это нужно проверить у провайдера применительно к своей ситуации.

Самый полезный навык здесь — уметь сформулировать задачу, дать достаточный контекст и оценить ответ. Чем более убедительна модель, тем легче пропустить момент, когда она опирается на неподтверждённое предположение. Способность проверить результат остаётся частью доступа к технологии: без неё человек получает сильный инструмент, но не всегда понимает, когда на него можно опереться.

В этих новостях действительно есть основания для оптимизма. Если заявленные научные результаты выдержат изучение, мы получаем инструмент, способный участвовать в создании нового знания на чрезвычайно высоком уровне. Это гораздо существеннее очередного улучшения формулировок в чате.

Одновременно сохраняется длинный путь от открытия к общественной пользе. Теорему нужно понять, метод — освоить, алгоритм — проверить на применимых задачах, технологию — встроить в работающий процесс. Математическая проверка, эксперимент в физике и хозяйственный результат требуют разных оснований.

Новая возможность также не обязана сразу распределиться поровну. У крупных организаций больше вычислительных ресурсов, специалистов и данных. У небольшой компании появляется доступ к инструментам, которые раньше были недостижимы, но остаётся задача выбрать их применение и оплатить переход от демонстрации к работе.

Поэтому нам кажется недостаточным следить только за тем, какая модель сегодня заняла первое место. Следить нужно за всей цепочкой: что стало возможно, что удалось проверить, кому это доступно, сколько стоит применение и какие решения оно позволяет улучшить.

Для Digital R&D Lab «Бизнес‑Класс» именно здесь находится предмет работы. Разобраться в новом результате. Проверить его значение для конкретного бизнеса. Сопоставить эффект с затратами. Сохранить источники и границы вывода. Изменить собственную позицию, если данные требуют этого.

Перед бизнесом уже стоит вполне практический вопрос: какая часть вашей работы станет лучше благодаря этим возможностям — и как вы сможете это показать?

Редакционная граница: материал не устанавливает корректность научных доказательств, не прогнозирует котировки и не обещает конкретного изменения тарифов. Первичные источники приведены у соответствующих утверждений. Не подтверждённые первоисточником детали исходной новости не используются как основания расчётов.