СУВЕРЕНИТЕТ В ИИ · АНАЛИЗ
Архитектура западной AI-экосистемы — полный разбор
v3 · апрель 2026
← v2
АНАЛИТИЧЕСКИЙ ОТЧЁТ · АПРЕЛЬ 2026

Западная AI-экосистема —
как устроено превосходство и что является ключом к успеху

За последние 10 лет западная (преимущественно американская) экосистема AI породила технологических гигантов, задающих мировой фронтир: OpenAI, Anthropic, Google DeepMind, Meta, Microsoft AI, Nvidia, Palantir, Anduril. Эти компании не возникли в вакууме — они выросли из сложной сети университетов, государственных программ, венчурного капитала, инфраструктурных поставщиков и талантных магнитов, которая формировалась десятилетиями.

Настоящий отчёт — реконструкция этой экосистемы: как она устроена, почему именно такой набор механизмов работает, в чём её скрытые опоры и слабости. Главная задача — перевести разговор с общих объяснений («у них больше денег», «у них культура инноваций») на уровень конкретных институциональных и экономических механизмов, которые делают систему воспроизводимо эффективной.

Отчёт строится от общего к частному. Сначала — функциональная карта экосистемы (кто какое место занимает). Затем — новая парадигма инвестиций в AI, которая радикально изменила правила игры после 2019 года. Далее — одиннадцать корневых причин, объясняющих через механизм «5 почему», как превосходство сложилось исторически. После — уязвимости этой модели (энергетический дефицит, цепочки поставок, когнитивные пределы). Завершается отчёт матрицей реакций и обсуждением, что из этого можно переносить, а что нет.

Структура отчёта

0

Функциональная карта западной AI-экосистемы

Общий план экосистемы перед детальным анализом. Шесть функциональных слоёв, ~70 ключевых «мест», четыре класса потоков (капитал, таланты, данные, идеи). Сверху вниз: производители знания → инфраструктура → применение.

Знания и образование (T1, T8)
Frontier labs + BigTech (T2, T3)
Гос-агентства и катализаторы (T4, T6)
Капитал + defense-tech (T5, T7)
Инфраструктура железа (T9)
Таланты + open-source (T10)
L1 · ПРОИЗВОДСТВО ЗНАНИЯ университеты · think tanks · публикации L2 · ФРОНТИР frontier labs + BigTech R&D L3 · ГОСУДАРСТВО фундаментальная R&D + катализаторы L4 · КАПИТАЛ И ВНЕДРЕНИЕ VC + defense integrators L5 · ИНФРАСТРУКТУРА silicon · cloud · energy L6 · ТАЛАНТЫ / OPEN-SOURCE cross-cutting: насос + commons Stanford HAI + OTL, spin-out engine Bayh-Dole IP model T1 MIT CSAIL + Schwarzman $1B 1000+ members T1 CMU SCS / ML первый ML-dept pipeline → Anthropic T1 UCL Gatsby → DeepMind origin Hassabis / Legg T1 Vector + MILA Toronto / Montreal Hinton / Bengio T1 ETH + EPFL Apertus open LLM европ. ось T1 CSET (Georgetown) Schmidt $55M gift AI-policy flagship T8 RAND + SCSP +GovAI +Gladstone revolving door T8 OpenAI $500B valuation MS $13B pact SF · GPT-5 T2 Anthropic $170B · LTBT Amazon $8B+ Claude · Maven T2 xAI Colossus $200B · Memphis 200k+ H100 Grok · 1M к 2027 T2 DeepMind Google subsid. London · Gemini AlphaFold·AlphaZero T2 Mistral $6B · Paris EU sovereign open + proprietary T2 Sakana AI $500M · Tokyo D. Ha / L. Jones evolutionary AI T2 Google +DeepMind +TPU capex $175B Gemini · Workspace T3 Microsoft +OpenAI $13B Azure+Copilot capex $94B T3 Meta (+FAIR) Llama open $100M пакеты capex $135B T3 Amazon +Anthropic Bedrock $200B T3 DARPA $4.4B · PM-driven Heilmeier · ротация 250 программ T4 IARPA + NSF IC $700M NSF $9.5B AI Institutes T4 DOE NatLabs Frontier · Aurora El Capitan exa HPC backbone T4 ARIA (UK) £1B · DARPA-like IARPA-H + ARPA-E distributed PMs T4 DIU $983M · 450+ ctr CSO 60-90 дней OTA hack T6 In-Q-Tel CIA venture 479 компаний invest-for-access T6 NAIRR Pilot compute для 600+ академ. команд NSF+DOE+cloud T6 AISI/CAISI US+UK £100M evals, red-team science ≠ regul. T6 CHIPS Act $280B · 10y TSMC AZ · Intel OH multigen commit T6 a16z + AD fund $45B AUM $600M Am. Dyn. Katherine Boyle T7 Founders Fund Peter Thiel · $12B Palantir origin Anduril $1B check T7 Sequoia + Thrive $85B + $25B AUM multi-stage OpenAI growth T7 SWF cluster Mubadala · PIF Humain $925B Temasek · G42 T7 Palantir $306B cap · 25x Foundry + AIP + Maven Epic Fury 1000 целей T5 Anduril $30-60B · Luckey Lattice OS Arsenal-1 OH T5 Shield+Saronic+Epirus $12.7B + $9.25B + $1.3B autonomy·USV·HPM вторая волна T5 Scale AI $29B · 49% Meta Thunderforge DoD data moat T5 AeroVir.+ BlueHalo $4.1B merger консолидация T5 Nvidia $3.5T · 92% GPU CUDA moat 15y H100·B200·Rubin T9 TSMC 90%+ top чипов Arizona 4nm 2025 $30B+ AI rev T9 ASML единств. EUV €32.7B · High-NA Nederlands T9 Broadcom+Oracle $1.3T · $19B AI ASICs: TPU/Maia Oracle Stargate T9 Hyperscalers AWS · Azure · GCP capex $602B 2026 75% в AI-infra T9 CoreWeave+ $23B IPO · $60B cap Lambda · Together GPU-arbitrage T9 Stargate + Hyperion $500B + $65B 10GW · 5GW Abilene · Louisiana T9 Energy: nuclear + SMR + gas TMI restart · Constellation Amazon X-energy · Oracle 3 SMR +50GW AI DC к 2030 T9 HuggingFace + GitHub + arXiv open-source compounding · publication commons $4.5B HF · 1.5M моделей · 50k pre-prints/год T10 US Immigration + Unit 8200 O-1·EB-1·EB-2 NIW·OPT·H-1B 60% top-AI foreign-born · 1000+ 8200 unicorns T10 NeurIPS + ICML + ICLR 17500 attendees · trust formation hallway conversation → hiring T10 Cross-cutting talent flows PhD → frontier lab → startup → VC → gov → think tank Revolving door Matheny: NSA→IARPA→CSET→OSTP→RAND T8+T10 Top-3 US AI campuses (SF Bay, Boston, Pittsburgh) Stanford / MIT CSAIL / CMU Robotics + DeepMind London 70% фронтир-таланта в 20 городах · concentration effect T10 США ядро (70-80% акторов) + UK/EU/IL/CA сателлиты (20-30%) · построено 2015-2026 Западная AI-экосистема · 10 функциональных слоёв, ~70 ключевых мест

Как читать карту

Вертикаль сверху вниз — поток ресурсов: университеты и think tanks (L1) производят знание и кадры → frontier labs и BigTech (L2) превращают в breakthrough-модели → государство и катализаторы (L3) обеспечивают грантовый baseline, DARPA-рисковую R&D и bridge к госприменению → VC и defense-integrators (L4) капитализируют и внедряют → инфраструктура железа (L5) делает всё физически возможным → таланты и open-source (L6) — сквозной слой, пронизывающий все остальные.

Стрелки — четыре класса потоков: золотые — capital-partnerships (Microsoft→OpenAI, Amazon→Anthropic, Google→Anthropic); фиолетовые — talent pipeline универы→frontier; жёлтые — государственные контракты и гранты; красные — compute-потоки; бирюзовые пунктирные — talent flows из L6 во все слои; зелёные — VC-capital в frontier и defense.

Ключевое наблюдение: это не просто «много игроков», это структурированная цепь передачи. Каждый слой имеет специализацию и не дублируется — университеты не коммерциализируют frontier-модели (это labs), frontier labs не выращивают PhD (это универы), VC не строят чипы (это TSMC-ASML-Nvidia). Именно эта специализация и координация через потоки даёт нелинейное преимущество.

1

Новая парадигма — Compute-as-Capital

Ключевой поворотный момент последних пяти лет. До 2019 года индустрия AI жила в классической венчурной логике: фонды давали стартапам деньги, стартапы покупали серверы или арендовали облачные ресурсы, двигались к revenue и IPO. После 2019 года эта модель сломалась — и именно эта поломка определила всё последующее устройство frontier-AI.

В чём заключается поворотный момент

До 2019 года максимальная стоимость обучения одной модели составляла несколько миллионов долларов — сумма, которую венчурный капитал мог покрыть без участия гиперскейлеров. С 2019 года эта сумма начала удваиваться каждые 6-10 месяцев: обучение GPT-3 в 2020 году стоило около $12 млн, GPT-4 в 2023 — уже свыше $100 млн, следующие поколения оцениваются в $500 млн – $1 млрд на одну тренировочную серию. К 2025 году стоимость одного эксперимента превысила годовой бюджет большинства венчурных фондов.

Как следствие — произошла смена главного инвестиционного актива. Венчурные фонды, даже крупнейшие (Sequoia, a16z, Founders Fund), не могли предоставить compute такого масштаба через cash-инвестиции. А гиперскейлеры (Microsoft, Amazon, Google) — могли, потому что compute был их собственным продуктом. Так родилась модель compute-for-equity: стартап получает не деньги, а доступ к вычислительным мощностям, в обмен отдаёт долю в акционерном капитале плюс обязательство долгосрочных закупок cloud-услуг. Для гиперскейлера это двойная выгода: equity upside плюс гарантированная загрузка своих дата-центров.

Почему это меняет всё. Три системных следствия. Первое: frontier-AI стартап больше не может существовать без стратегического партнёрства с одним из трёх гиперскейлеров — это не предпочтение, а инженерная необходимость. Второе: антимонопольное давление нарастает, потому что гиперскейлеры фактически становятся держателями долей во всех ключевых AI-лабораториях одновременно. Третье: любая стратегия догоняющего развития упирается в отсутствие собственной сравнимой compute-инфраструктуры — без неё не удастся повторить модель, независимо от объёма доступного капитала.

Поэтому раздел первый. Без понимания этой новой парадигмы нельзя корректно анализировать остальные элементы экосистемы: корневые причины (раздел 2) работают иначе в мире до и после 2019, уязвимости (раздел 3) концентрируются именно вокруг compute-инфраструктуры. Ниже — разбор трёх эталонных сделок, в которых новая логика выражена в чистом виде.

Характеристика Microsoft & OpenAI AWS & Anthropic CoreWeave & ИИ-стартапы
Формат базового актива Эксклюзивные кредиты Azure Мощности AWS + чипы Trainium 2/3/4 Целевые кластеры NVIDIA
Формальный объём инвестиций >$13 млрд исторически, c 2019 До $25 млрд траншами ($5 млрд + $20 млрд milestones) $8.5 млрд долговой facility 2026 (первая GPU-backed investment-grade кредитная линия)
Встречные обязательства (lock-in) $250 млрд затрат на Azure до 2032 г. >$100 млрд затрат на AWS за 10 лет + якорное использование 5 ГВт мощностей на Trainium Compute-for-equity: вычисления в обмен на долю в стартапе
Уровень интеграции 27% экономического участия в PBC после реструктуризации 2025; до реструктуризации — до 75% прибыли до возврата инвестиций Привязка к коммерческим и технологическим milestones; невозможность миграции на конкурентов Прямой обмен GPU-часов на equity; стартап минует фандрейзинг на закупку серверов
Оценка капитализации актива $135 млрд (27% при $500B оценке OpenAI) Оценка при старте раунда Anthropic — $380 млрд Формирование пула долга под залог физических GPU и контрактов на их аренду
Ключевой риск инвестора Equity method trap: MSFT признаёт пропорциональные убытки OpenAI на своём балансе — $3.2 млрд за Q3 2025 только Концентрация на одном поставщике; масштаб контракта (~$100B AWS) требует беспрецедентного capex Обесценивание залога при падении цен на GPU (Nvidia's roadmap)

Что это значит для программы суверенитета

Первое: любая национальная программа, пытающаяся построить frontier-лаборатории в рамках обычной венчурной модели, обречена. Frontier lab нуждается не в $500M cash, а в эквиваленте 10 ГВт compute на 5 лет. Сумма в cash-эквиваленте — $50-100 млрд, но привлечь их можно только через compute-for-equity структуру с национальным гиперскейлером (российский эквивалент — Сбер+Яндекс+Ростелеком консорциум).

Второе: CoreWeave-модель (секьюритизация GPU как залогового актива для банковского сектора) — прямой образец для Проекта 2 экосистемы (биржа GPU). Это превращает вычисления из операционных расходов в капитальный актив, под который можно занимать у банков.

Третье: equity method trap показывает хрупкость всей модели — Microsoft несёт на своём балансе колоссальные убытки OpenAI. В масштабах отрасли сотни миллиардов долларов инвестиций могут не окупиться, если не будет решена проблема alignment (см. раздел уязвимостей). Это создаёт окно для асимметричной стратегии.

2

Одиннадцать корневых причин западного превосходства

Для каждой причины — наблюдаемый феномен, цепочка «почему» до фундаментального условия. Большинство причин сформировались в 1945-1980 годах; современные успехи — эксплуатация накопленной инфраструктуры, а не её создание.

RC1
Корневая причина · Капитал

Долгосрочный рисковый капитал — пенсионные фонды и эндаументы

Почему OpenAI мог 9 лет оставаться убыточным и получать десятки миллиардов? Ответ не в «оптимистах-инвесторах», а в структуре источников капитала, терпеливого к 10-летнему горизонту.

Наблюдаемый феномен OpenAI с 2015 по 2024 год сжёг около $10 млрд. Anthropic к апрелю 2026 получил около $19 млрд при годовой выручке $5 млрд. Sakana AI работает без операционной прибыли. В российском контексте ни Сбер, ни Яндекс не могут себе позволить аналогичный horizon: акционеры и регулятор требуют квартальной отчётности.
Почему 1
OpenAI получает многомиллиардные инвестиции без давления на возврат 3-5 лет, потому что венчурные фонды и корпоративные стратеги готовы держать позиции 7-10+ лет.
Почему 2
Венчурные фонды могут обещать инвесторам фонда (LP — limited partners) 10-летнее удержание, потому что сами LP — пенсионные фонды, университетские эндаументы, страховые компании — имеют обязательства перед получателями на 20-40 лет вперёд.
Почему 3
Пенсионные фонды США могут 10-25% активов держать в неликвидных венчурных позициях, потому что в 1974-1979 годах Prudent Man Rule в законе ERISA был переинтерпретирован: «разумное управление» не означает «только облигации» и допускает часть в alternative investments. До этого фидуциары боялись судебных исков за любой риск.
Почему 4
США имеют пенсионные фонды масштаба $37 трлн, потому что после Второй Мировой войны оформилась модель частных и корпоративных пенсионных планов. ERISA 1974 кодифицировал. СССР и постсоветская РФ пошли путём государственной пенсии с распределительной моделью.
Корневое условие
Институциональная инфраструктура накопления капитала с 40-летним горизонтом. Это не просто «больше денег» — это другая архитектура: деньги обязаны быть инвестированы long-term, по закону могут идти в рисковые активы, управляются профессионалами, отделёнными от бенефициаров временем.
Масштаб капитала
$37 трлн
Пенсионные активы США, 2024
ICI
$870 млрд
Университетские эндаументы США
NACUBO; Harvard $53B, Yale $41B, Stanford $36B
10-25%
Доля alternatives в эндаументе
Yale model, David Swensen
~$10 трлн
Пенсионные активы РФ (все виды)
ЦБ РФ, ~30× меньше по паритету
RC2
Корневая причина · Рисковая модель

Венчурная математика — почему 95% провалов оправдываются одним home-run

Сколько реально проваливается AI-стартапов прежде чем получится Sakana или Anthropic? Подавляющее большинство — и именно это делает модель рабочей.

Наблюдаемый феномен На одну OpenAI или Anthropic приходятся сотни неуспешных или частично-успешных AI-стартапов 2015-2025: Humane AI Pin (банкрот), Jasper AI (−80% стоимости), Stability AI (уход менеджмента), Inflection/Adept/Character.AI (acquihires в Microsoft/Amazon/Google — технический провал, спасённый командой). Плюс тысячи безымянных.
Почему 1
Венчурная модель работает на power law: 80-90% возврата фонда даёт 1-2 инвестиции из 20-30. Остальные частично возвращают или списываются.
Почему 2
Power law работает, потому что победители масштабируются нелинейно: Google, Facebook, Nvidia выросли в 100-1000×. Поэтому 1 unicorn на 30 инвестиций даёт фонду 20%+ IRR.
Почему 3
Эта модель терпима к 95% провалов, потому что провал не является сигналом некомпетентности. LP знают и не штрафуют GP за это. Репутация растёт от одной Nvidia-сделки за 10 лет. В РФ провал инвестпроекта часто воспринимается как нецелевое использование средств.
Почему 4
Толерантность к провалу закреплена в законах о банкротстве (Chapter 11 с 1978): предприниматель может объявить банкротство и начать заново. Плюс отсутствие социальной стигмы. В РФ банкротство фактически закрывает карьеру на 5+ лет.
Корневое условие
Институциональная терпимость к массовым провалам как предусловие редких сверхуспехов. Четыре опоры: правовая защита при банкротстве, LP-соглашения допускающие 90% failure rate, социальная культура второй попытки, налоговый режим (capital gains 20% vs ordinary income 37%).
Венчурная математика конкретно
~95%
Startup'ов не окупают вложенное
Horsley Bridge study, 7000 сделок 1985-2014
~6%
Сделок с возвратом 10×+
Horsley Bridge
~0.6%
Сделок с возвратом 50×+ (обеспечивают половину прибыли фондов)
Horsley Bridge
26-30%
Net IRR top-quartile VC (10-15 лет)
Cambridge Associates
RC3
Корневая причина · Таланты

Глобальный магнит для талантов — академический и коммерческий цикл

США используют мировой образовательный ресурс как собственный. Это не «у них умные люди» — умные есть везде. Это структурное притяжение через двойной цикл.

Наблюдаемый феномен Из 100 самых цитируемых AI-researchers 2024 года 82 работают в США. Стартап Anthropic ~800 сотрудников, из них 55-65% foreign-born. 100% новых сотрудников Meta Superintelligence Lab (11 человек, 2025) — иммигранты с undergraduate-образованием за границей. По данным MacroPolo/Brookings, 47% топ-исследователей получили базовое образование в Китае, и только 18% — в США.
Почему 1
Талантливые исследователи из Китая, Индии, Израиля, ЕС выбирают США, потому что одновременно лучшая образовательная возможность и лучшая карьерная траектория: Stanford/MIT PhD → DeepMind/Anthropic → миллионные пакеты.
Почему 2
США имеют спроектированные визовые треки для скилл-магнетизма: F-1 + OPT/STEM-OPT, H-1B, O-1, EB-1/EB-2 NIW. Работодатель и университет — часть процесса.
Почему 3
Эта система сформирована Immigration Act 1965 (Hart-Celler Act), отменившим национальные квоты в пользу приоритетов по навыкам. Историческая основа — импорт немецких учёных (Operation Paperclip, 1945-1950) и европейских (Manhattan Project).
Почему 4
Магнит работает за счёт двух подкрепляющих циклов: академический (PhD → диссертации → репутация универов) и коммерческий (компенсация → удержание → качество продукта → приток следующего поколения). Оба работают 50+ лет.
Корневое условие
Открытые границы для skilled talent + двойной цикл притяжения, работающий автоусиливающе. Нельзя построить за одно поколение. Германия имеет универы, но нет компенсации; Дубай — компенсацию без универов; Израиль построил альтернативу (Unit 8200).
Масштаб магнита
47%
Топ-AI researchers получили базовое образование в Китае
MacroPolo/Brookings 2025
18%
Образованы в США
MacroPolo
100%
Новых наймов Meta Superintelligence Lab — иммигранты
Times of India 2025
~200 тыс
Участников STEM OPT ежегодно
USCIS
$3-15M
Годовая компенсация senior researcher frontier lab
compensation reports 2025
до $300M
4-летний пакет, предложенный Meta за ключевых researchers
NY Times Magazine 2025
RC3b
Новое в v3 · Правовое условие

Запрет non-compete clauses в Калифорнии — правовая основа сверхтекучести

Почему инженер OpenAI может за неделю перейти в Anthropic, а основатель DeepMind может уволиться и открыть Mistral? Ответ — в конкретном правовом режиме: в Калифорнии запрещено принудительное исполнение соглашений о неконкуренции. Это единственный штат США с таким режимом, и именно он — главная территория AI-индустрии.

Наблюдаемый феномен Сотрудник Google может в тот же день начать работу в OpenAI, разрабатывая похожий продукт. Инженер Tesla переходит в Apple, затем в Meta. Пайплайн DeepMind → OpenAI → Anthropic → Sakana формируется за счёт того, что ни одна корпорация не может запретить своим сотрудникам работать у конкурента. В Европе и в большинстве штатов США действуют 1-2-летние non-compete соглашения, которые замедляют миграцию талантов в разы.
Почему 1
Сотрудники frontier labs могут свободно переходить между конкурентами, потому что в Калифорнии по Business and Professions Code §16600 соглашения о неконкуренции void (юридически ничтожны). Даже подписанное non-compete не может быть принудительно исполнено.
Почему 2
Эта правовая доктрина действует, потому что решение Калифорнийского верховного суда в деле Edwards v. Arthur Andersen (2008) окончательно закрепило широкое толкование §16600: даже узкие ограничения невозможны. До этого были попытки компаний использовать «ограниченные» non-compete.
Почему 3
§16600 существует с 1872 года — первоначально для защиты рабочих от монополий эпохи железных дорог. В 1990-2000-е годы законодатели Калифорнии отказались его смягчать, несмотря на лоббизм крупных корпораций, потому что исследования экономистов показали корреляцию: в штатах с запретом на non-compete (Калифорния) венчурные инвестиции и создание новых компаний в технологическом секторе выше в 2-3 раза.
Почему 4
В 2024 году FTC приняла правило (заблокировано судом), запрещающее non-compete на федеральном уровне, основываясь на экономических исследованиях (Jessica Jeffers, HEC Paris и др.). Даже с блокировкой правила, дебаты легитимизировали позицию: non-compete снижают инновации. Штаты Миннесота, Нью-Йорк, Орегон движутся к запрету.
Корневое условие
Правовая свобода миграции талантов без корпоративных ограничений. Это не «культура мобильности» — это конкретный правовой запрет на ограничение мобильности. Без §16600 «эффект PayPal Mafia» не работал бы: выпускники PayPal не смогли бы основать YouTube, Tesla, LinkedIn, SpaceX, Palantir, Yelp, Yammer за 2002-2010 годы. Это конкретный правовой механизм, без которого сверхтекучесть кадров невозможна.
Эффект запрета non-compete
2-3×
Превышение VC-инвестиций в Калифорнии над среднеамериканским уровнем (нормализовано)
FTC economic analysis 2024
~20%
Рост создания новых компаний после запрета non-compete в штате
Jessica Jeffers, HEC Paris
1872
Год принятия §16600 Калифорнии
California Business and Professions Code
2008
Edwards v. Arthur Andersen — окончательное закрепление
California Supreme Court
RC3c
Новое в v3 · Диффузия знаний

Сверхтекучесть кадров и передача тацитного знания

Публикация научной статьи или раскрытие архитектуры модели не обеспечивает воспроизводимости. Критический компонент — тацитное (неявное) знание: интуиция фильтрации обучающих данных, понимание нелинейных эффектов гиперпараметров, знание тупиковых путей. Оно передаётся только через совместную работу.

Наблюдаемый феномен DeepSeek R1 (Китай) был опубликован с открытыми весами и подробной статьёй в январе 2025 года. Тем не менее ни одна другая лаборатория не смогла воспроизвести результаты с той же точностью. Причина — тацитное знание команды DeepSeek, не отражённое в публикации. Обратный пример: DeepMind публикует AlphaGo, но именно переход Дэвида Ха и Лайона Джонса (ex-Transformers author) в Sakana AI привёз в компанию ноу-хау evolutionary model merge и TAID-дистилляции, которые невозможно было бы реплицировать по публикациям.
Почему 1
Mistral AI (Франция) смогла быстро выйти на frontier-уровень, потому что её основатели — выходцы из Google DeepMind и Meta FAIR, принёсшие тацитное знание о pre-training и alignment.
Почему 2
Эти основатели смогли легко уйти, потому что (а) Калифорнийский режим non-compete (RC3b) не блокирует, (б) у них были компенсация secondary markets (могли продать опционы и получить $10M+ капитала), (в) их репутация через публикации давала переговорный вес с инвесторами.
Почему 3
Миграция инженерной элиты институционализирована как конвейер трёх уровней: (1) элитные университеты (Stanford, Berkeley, MIT, Oxford) формируют теоретическую базу; (2) мега-лаборатории (OpenAI, DeepMind, Anthropic, FAIR) накапливают тацитное знание и дают доступ к тысячам GPU; (3) стартапы-«снайперы» (Mistral, Sakana, xAI) используют это знание для точечных инноваций. Каждый уровень подпитывает следующий.
Почему 4
Конвейер работает, потому что корпоративная бюрократия мега-лабов неизбежно стимулирует отток: получив тацитное знание, лучшие инженеры не выдерживают focus на монетизации и создают свои компании. Исследования MIT о формировании «второй натуры» (2026) подтверждают: тацитное знание формируется на бессознательном уровне в процессе длительной практической работы и требует непосредственного совместного труда для передачи.
Корневое условие
Институционализированная миграция инженерной элиты + правовая возможность свободно менять работодателя + финансовая ликвидность через secondary markets. Три компонента в связке. Если один отсутствует, конвейер ломается: в Европе non-compete блокирует переходы; в Китае госконтроль замыкает тацитное знание; в РФ отсутствует ликвидность для секундарной продажи опционов.
Диффузия тацитного знания в примерах
3
Ко-фаундера Mistral — все ex-DeepMind/FAIR
Mistral AI founding story
2
Ко-фаундера Sakana AI — ex-Google Brain, один из соавторов «Attention Is All You Need»
Sakana founding story
~40+
Стартапов, основанных выходцами из OpenAI к 2025
Открытые источники
~200+
Stanford AI PhD alumni в топ-AI компаниях
AI World
RC4
Корневая причина · Структура рынка

Партнёрство, а не поглощение — почему гиганты не покупают frontier labs

Microsoft вложил $13 млрд в OpenAI, но не купил её. Amazon вложил $8 млрд в Anthropic, не купил. Google купил DeepMind в 2014 — но с гарантией операционной автономии. Это системная стратегия, основанная на уроках 15 лет провальных поглощений.

Наблюдаемый феномен История IT 2000-2015: HP-Compaq ($25B, списан), Microsoft-Nokia ($7.2B, списан), Google-Motorola ($12.5B продано за $2.9B), HP-Autonomy ($11B, судебный процесс). С 2014 года BigTech научились: ключевые AI-игроки получают partnership deals без контроля. DeepMind 10 лет сохраняет независимость внутри Google. Microsoft-OpenAI partnership (2019→2025) структурирован так, что OpenAI остаётся в форме PBC с независимым board.
Почему 1
BigTech не покупают frontier labs, потому что полная покупка уничтожила бы то, за что они платят: скорость, независимость направления, способность привлекать топ-таланты.
Почему 2
Топ-таланты не пойдут работать в корпорацию, потому что (а) корпоративная культура замедляет, (б) опционы материнской корпорации растут 2-5×, опционы frontier lab — 50-500×, (в) mission-driven researchers (alignment) не принимают корпоративный акцент.
Почему 3
Эти предпочтения основаны на истории 2000-2020 с десятками провалов поглощения: Nest после Google, Skype после Microsoft, Tumblr после Yahoo. Founder сегодня может ссылаться на эти случаи и требовать других условий. Это переговорная норма.
Почему 4
Формат minority strategic investment legalen, потому что антимонопольное право (Hart-Scott-Rodino Act 1976 + активизация FTC 2020-е) делает поглощение крупного AI-игрока крайне рискованным. Microsoft-OpenAI подвергается расследованию FTC и CMA (UK).
Корневое условие
Антимонопольный режим + founder bargaining power + институциональная память провалов M&A. В РФ все три условия отсутствуют: ФАС не блокирует tech-M&A, нет нескольких BigTech конкурирующих за одну target, нет институциональной памяти партнёрских сделок.
RC5
Корневая причина · Наука и индустрия

Передача знания из университета в индустрию без блокировок

Почему Stanford породил Google, Cisco, Yahoo, Sun Microsystems, а советские университеты с сильной наукой не порождали аналогов? Не «плохая наука» — правовая инфраструктура передачи IP.

Наблюдаемый феномен Stanford Office of Technology Licensing (OTL) — $80-100 млн лицензионных роялти в год. Cumulative value спин-аутов — $3+ трлн. Ларри Пейдж и Сергей Брин смогли оставить Stanford, сохранив лицензионный доступ к PageRank. В СССР/РФ академик не мог ни коммерциализировать свои работы, ни уйти из института с идеей.
Почему 1
Stanford и MIT активно производят спин-ауты, потому что университет владеет патентами и может предоставлять лицензии: 15% университету, 1/3 изобретателю, остальное департаменту.
Почему 2
Университет имеет право владеть IP, созданным на федеральные деньги, потому что Bayh-Dole Act 1980 делегировал эти права. До 1980 года IP оставалось у федерального правительства.
Почему 3
Bayh-Dole был принят, потому что в 1970-е годы 28 тысяч федеральных патентов не лицензировались, знание не доходило до рынка. Сенаторы Bayh и Dole (двухпартийность) провели закон.
Почему 4
Университеты использовали права, потому что с 1970-х Stanford создал TLO и показал, что non-exclusive licensing работает. Stanford-модель стала стандартом: non-exclusive по умолчанию, equity вместо роялти для стартапов, sabbatical policy, tenure как защита от риска.
Корневое условие
Правовой и институциональный канал от федеральной науки к рынку без блокировок. Bayh-Dole + Stanford TLO-модель. В Германии профессор не владеет IP — система стагнирует; в РФ IP институционально принадлежит государству.
Результаты Bayh-Dole
$1.9 трлн
Совокупный эффект университетских спин-аутов США с 1980
AUTM Licensing Survey
~17 000
Стартапов на университетских патентах
AUTM
~450
TLO-офисов в США
AUTM 2024
Нет
Аналога Bayh-Dole в РФ
IP от гос-финансируемых — у государства
RC6
Корневая причина · Гос-рынок

Государство как первый заказчик и венчурный катализатор — DIU, In-Q-Tel, AISI

Интернет, GPS, автономное вождение, AlphaFold — следствия госфинансирования. Но в 2015+ появился новый слой: механизмы ускоренного перехода инновации в госприменение. DIU Success Memo, In-Q-Tel leverage 1:11, UK AISI pre-deployment testing — эти механизмы ликвидируют бюрократическое трение.

Наблюдаемый феномен Palantir получил первые контракты через In-Q-Tel (CIA seed) и затем DIU. Anduril основан Palmer Luckey в 2017 году, получил первый DIU-контракт через 6 месяцев, к 2025 году капитализация $60 млрд. Shield AI прошёл тот же путь. В российском контексте стартап с AI-решением для ВПК пробивается 2-3 года через 44-ФЗ/223-ФЗ. Разница — в институциональном дизайне.
Почему 1
DIU может контрактовать стартап за 60-120 дней через Commercial Solutions Opening (CSO), потому что использует полномочия Other Transaction Authority (OTA, 10 U.S.C. § 4022), которые обходят Federal Acquisition Regulation (FAR).
Почему 2
CSO работает по принципу «Problem Curation»: военное ведомство транслирует оперативную задачу (роевая координация дронов, устойчивая связь) в виде короткого открытого запроса, а не 400-страничного техзадания. Компании подают Solution Briefs → успешные приглашаются на Pitch → финалисты получают Request for Pilot Proposal.
Почему 3
Главный инструмент масштабирования — Success Memo. Если компания успешно завершает прототипирование, DIU выпускает документ, дающий право заключать Production OTA-контракты с любым федеральным агентством США без повторных тендеров. Документ не имеет срока давности. Это решает проблему «долины смерти» пилотов.
Почему 4
В контуре разведки аналог — In-Q-Tel с моделью leverage 1:11: на каждый $1 IQT привлекается $11 от частных синдикатов. Если технология проваливается, основные потери несут частные фонды, не налогоплательщики. Инвестиции разделены на equity + Work Program (целевое R&D-финансирование для адаптации под air-gapped среды разведки).
Корневое условие
Институциональный дизайн, разрешающий риск + правовое carve-out из обычных процедур госзакупки. Это не «мы работаем быстрее» — это структурный легальный хак через OTA. Без соответствующей законодательной нормы воспроизвести модель невозможно.
Масштаб катализаторов
$983M
Бюджет DIU FY25
DIU
450+
Контрактов со стартапами (с 2015)
DIU
60-120 дней
Cycle time CSO
DIU docs
1:11
Leverage In-Q-Tel: $1 IQT → $11 частного капитала
National Academies
479
Компаний в портфеле In-Q-Tel
IQT
£500M
UK Sovereign AI Fund через AISI + Isambard-AI
UK Gov 2025
RC7
Корневая причина · Знание как общее благо

Открытая научная культура — публикации как валюта

Почему OpenAI, Anthropic, Google, Meta продолжают публиковать, несмотря на коммерческое давление? Это не альтруизм — это работающий экономический механизм найма PhD-учёных.

Наблюдаемый феномен Основополагающие статьи: «Attention Is All You Need» (Google, 2017) — 100 тысяч цитирований, «Deep Residual Learning» (Microsoft, 2016), «BERT», «GPT-3». Все открыты. Веса выкладываются: Llama, Mistral open, DeepSeek, Qwen. Код в GitHub.
Почему 1
Frontier labs публикуют, потому что без публикаций не могут нанимать PhD-учёных: молодые исследователи выбирают работодателя по возможности продолжать академическую карьеру.
Почему 2
PhD-учёные ценят публикации, потому что академическая репутация — пожизненный актив, не зависящий от работодателя. Если OpenAI закроется, researcher с 50 цитированиями найдёт работу.
Почему 3
Репутация работает как валюта, потому что peer review инфраструктура (NeurIPS, ICML, Nature, Science) за 70 лет накопила credibility. arXiv (1991) ускорил цикл обмена.
Корневое условие
Академическая репутация как пожизненный актив + peer-review инфраструктура + гос-политика публикаций. Три слоя. В РФ сейчас слой 2 (глобальный peer review) частично закрыт санкциями, слой 3 ослаблен.
RC7b
Новое в v3 · Геополитика

Open Source как геополитическое оружие — комодитизация и стандартизация

Стратегия Meta по открытию весов Llama — не альтруизм. Это классический приём «комодитизация комплементарных активов»: когда ваш конкурент зарабатывает на продаже X, вы делаете X бесплатным и сдвигаете прибыль в смежный актив Y, который контролируете.

Наблюдаемый феномен Meta инвестирует миллиарды в обучение Llama 4 Maverick и Scout (2025) и предоставляет модели бесплатно. Эта «альтруистичная» стратегия: (а) снижает R&D издержки Meta — миллионы разработчиков бесплатно тестируют архитектуру и находят уязвимости; (б) обесценивает подписочные бизнес-модели Google, OpenAI; (в) делает архитектурные решения Meta де-факто глобальным стандартом (форматы тензоров, API, токенизация); (г) Meta осознанно сняла лицензионные ограничения на использование Llama для DoD США и их подрядчиков — Lockheed Martin, Anduril, Palantir.
Почему 1
Meta отдаёт Llama бесплатно, потому что её бизнес — не продажа моделей, а социальная реклама ($130B/год). Любая технология, делающая AI-интеграцию дешёвой, стимулирует рекламодателей больше тратить на Meta-платформах. AI для Meta — это комплементарный актив к рекламному бизнесу.
Почему 2
Одновременно Llama подрывает бизнес конкурентов: Google Gemini и OpenAI GPT строят бизнес на подписке за API. Если Llama даёт 90% функциональности бесплатно, подписочные модели теряют ценовое давление. Это классический Joel Spolsky pattern — комодитизировать то, что другие монетизируют.
Почему 3
Геополитическая проекция: поощряя Llama на международном уровне, Meta делает архитектуру де-факто стандартом. Форматы tensor-ов, протоколы API, методы токенизации Llama становятся универсальным языком. Это не случайно — это target market для economic warfare. Раскрытие для DoD/Lockheed/Anduril/Palantir (2024) — осознанная интеграция открытых американских стандартов в оборонное планирование.
Почему 4
Цель — предотвратить splinternet: фрагментацию интернета на изолированные региональные AI-платформы. Если Китай строит свой стек (Qwen/DeepSeek/Kimi), Россия — свой (GigaChat/YandexGPT), а ЕС — свой (Mistral), Запад может потерять глобальную доминирующую позицию. Llama — инструмент преодоления splinternet-а через предоставление «бесплатной» альтернативы, которая де-факто привязывает мир к западным стандартам.
Корневое условие
Использование open source как инструмента обесценивания конкурентов и стандартизации под западную архитектуру. Это не «альтруизм» и не «идеология открытости» — это корпоративная стратегия, интегрированная с геополитикой США. Конкурентам, которые платят за закрытую разработку, противопоставляется «бесплатная» западная альтернатива.
Масштаб стратегии
$10B+
Инвестиции Meta в Llama cumulative
Meta 10-K
1 млрд+
Скачиваний Llama 3/4
HuggingFace
Ноябрь 2024
Снятие ограничений Llama для DoD + DoD-подрядчиков
Meta announcement
<0.01%
Доля моделей, получающих ~половину всех скачиваний на HuggingFace
arxiv 2512.03073
RC8
Корневая причина · Инфраструктура

Концентрация вычислительной инфраструктуры — чипы, литография, библиотеки

92% GPU для обучения — Nvidia. 90% передовых чипов — TSMC. EUV-литография — только ASML. Это концентрация не случайна — 30-40 лет капиталовложений в узкие звенья.

Наблюдаемый феномен Три узких места контролируют всю мировую инфраструктуру. Китай тратит $300+ млрд через «Big Fund» с 2014 года и отстаёт на 1-2 поколения. Узкое место — даже не сам чип, а передовая 3D-упаковка CoWoS (chip-on-wafer-on-substrate) и память HBM (High Bandwidth Memory). Производит CoWoS только TSMC. HBM — в основном SK Hynix и Samsung.
Почему 1
Frontier AI обучается на Nvidia-чипах, потому что программная экосистема CUDA (платформа для программирования GPU) развивалась 18 лет и включает сотни инструментов. Альтернативы отстают 5-7 лет.
Почему 2
Nvidia стала монополистом через бесплатную раздачу CUDA-инструментов университетам с 2006 года. Каждое поколение PhD училось на CUDA. PyTorch и TensorFlow интегрировались только с CUDA.
Почему 3
TSMC — единственный производитель передовых чипов, потому что стоимость одной fab 3 нм — $20 млрд, и только TSMC накопила капитал и know-how за 30 лет. ASML — единственный производитель EUV, потребовавший 25 лет и $15+ млрд.
Почему 4
Экспортный контроль США превратил концентрацию в геополитический инструмент. Все три узкие места (Nvidia США, TSMC Тайвань, ASML Нидерланды) в западной орбите.
Корневое условие
40 лет капиталовложений в узкие звенья + геополитическая координация США-Тайвань-Нидерланды-Япония-Ю.Корея. Самое трудновоспроизводимое условие из всех.
RC9
Корневая причина · Конкурентная среда

Антимонопольный режим, предотвращающий вертикальный захват

Почему Nvidia не контролирует frontier labs? Почему Microsoft не покупает OpenAI целиком? Активный антимонопольный режим США предотвращает концентрацию стека в одной корпорации.

Наблюдаемый феномен Вертикальный стек разделён между десятками компаний: чипы (Nvidia, AMD, Broadcom), cloud (AWS, Azure, GCP), модели (OpenAI, Anthropic, Google, Meta + десятки), приложения (тысячи). Ни одна компания не контролирует весь стек. В РФ потенциально Сбер+Яндекс+VK могут захватить почти весь.
Почему 1
Нет single company с полным стеком, потому что Hart-Scott-Rodino Act 1976 требует notification любого M&A свыше $120 млн в Antitrust Division Минюста и FTC.
Почему 2
FTC и Antitrust регулярно блокируют консолидационные сделки, потому что антитраст-доктрина США с 1890 года (Sherman Act) рассматривает концентрацию как угрозу инновации.
Почему 3
Эта доктрина восходит к «прогрессивной эре» (1890-1920). Разделение AT&T 1982, MS consent decree 1998 — прецеденты. В 2020-е «неоантитраст» (Lina Khan).
Корневое условие
130-летняя антимонопольная традиция + независимый судебный контроль + культура «разделение лучше концентрации». Без этого Microsoft захватил бы весь софт, Google — весь поиск-рекламу-cloud, Nvidia — компьютинг-стек.
3

Структурные уязвимости западной модели

Западная модель подошла к физическим и когнитивным пределам масштабирования. Парадигма экстенсивного роста (больше GPU → больше параметров → лучше метрики) порождает фундаментальные уязвимости. Понимание этих уязвимостей — основа асимметричной стратегии АМПИС: максимизировать числитель формулы E = W / (H × M) вместо знаменателя.

Уязвимость 1 · Энергетика

Энергетический дефицит 19 ГВт в США к 2028

Обучение и эксплуатация больших моделей требуют экспоненциально растущих объёмов электроэнергии. IEA прогнозирует удвоение потребления дата-центров к 2030 году (до 945-980 ТВт·ч). Новые ИИ-фабрики проектируются мощностью 1 ГВт+ (эквивалент ядерного реактора).

Американская энергосеть физически не готова. По оценкам FT / Goldman Sachs, дефицит 19 ГВт к 2028, задержки ввода объектов, удорожание. Критическая нехватка высоковольтных трансформаторов, газовых турбин, пресной воды для охлаждения. Meta Hyperion (5 ГВт в Луизиане) грозит исчерпанием региональных лимитов.

Окно для РФ: Россия обладает избытком электроэнергии (атом, гидро) при ценах в 3-4× ниже американских. Размещение ЦОД в Сибири и на Дальнем Востоке — структурный contrапunkt. Плюс ставка на neuromorphic computing и edge AI — архитектуры за пределами тепловых лимитов традиционных ЦОДов.
Уязвимость 2 · Цепочка поставок

Тайвань: 11 дней LNG, 97% импорта энергоносителей

TSMC — единственный поставщик передовых чипов. Узкое место — не сам кремний, а 3D-упаковка CoWoS и память HBM. Эскалация конфликтов на Ближнем Востоке (Ормузский пролив, Катар) привела к удорожанию гелия — критического компонента в литографии.

Тайвань импортирует 97% энергоносителей и имеет запасы LNG всего на 11 суток. Любой морской инцидент парализует производство чипов на недели. Рост цен на контракты до 60%, срыв сроков поставок GPU.

Окно для РФ: Вместо догонки TSMC — асимметричный акцент на алгоритмическое совершенство (АМПИС, числитель E-формулы). Дистилляция логических паттернов западных моделей + оптимизация на менее передовых чипах (Huawei Ascend, SMIC). Связка с проектами 4, 9 экосистемы.
Уязвимость 3 · Alignment

Weak-to-strong supervision: когнитивный предел alignment

По мере того как модели приближаются к уровню L3 (Agents) и L4 (Innovators), традиционные методы обучения (RLHF — Reinforcement Learning from Human Feedback) перестают масштабироваться. Человек-асессор физически не способен достоверно оценить правильность сложного фрагмента кода или научной теоремы, сгенерированной машиной.

Возникает проблема «weak-to-strong supervision»: как слабый (человек) может контролировать сильного (суперинтеллект)? Неспособность гарантировать безопасность блокирует коммерциализацию. Инвесторы начинают сомневаться в окупаемости сотен миллиардов, если корпоративный сектор не может внедрять автономных агентов в критические процессы из-за рисков утечки и репутационного ущерба.

Окно для РФ: Фокус на верификации через дата-графы и онтологии (проект 6 — трёхслойная платформа). Композитные модели с жёсткой верификацией знаний (проект 5). Это делает AMPIS безопасными в узких доменах быстрее, чем универсальные L4-системы Запада.
Уязвимость 4 · Демография

47% топ-исследователей — иммигранты из Китая

Анализ NeurIPS: 47% ведущих AI-исследователей получили базовое образование в Китае, 18% — в США. Meta Superintelligence Lab: 100% новых сотрудников — иммигранты с undergraduate-образованием за границей.

Американская экосистема критически зависит от H-1B, O-1 визовых программ. Любые протекционистские решения (ужесточение при Trump II, возможные ограничения для граждан Китая в sensitive tech) грозят перекрыть приток интеллекта. Brookings Institution прямо указывает: security-политика США подрывает её же AI-лидерство.

Окно для РФ: (а) Unit 8200-модель — гос-институция talent pipeline через физтех/ВУНЦ/ФСБ-Академию; (б) CIS-диаспора и БРИКС-партнёрства; (в) Return-программа для эмигрантов 2022-2025. L5-саморазвитие (P10) как долгосрочная стратегия снижения демографической зависимости.
Уязвимость 5 · Финансовая

Equity method trap: убытки OpenAI на балансе Microsoft

Microsoft вынуждена признавать пропорциональные убытки OpenAI на своём балансе — $3.2 млрд за Q3 2025 только. Это хрупкость всей модели Compute-as-Capital: если AGI-ставки не окупятся в ближайшие 3-5 лет, гиганты начнут списывать десятки миллиардов.

S&P Global Ratings (2026) открыто говорит о AI investment risks hiding. Инвесторы, видя $100+ млрд capex при отсутствии соответствующего revenue у AI-продуктов, начинают требовать пересмотра моделей. Капитальный рынок может развернуться в 2027-2028 годах.

Окно для РФ: Избегать экстенсивного capex-захода. Программа экосистемы, ставящая на алгоритмическое совершенство (E-метрика), не подвержена этому риску. В момент коррекции западного capex 2027-2028 российская программа может получить временное относительное преимущество.
Уязвимость 6 · Концентрация

HuggingFace: 0.01% моделей = половина скачиваний

Якобы децентрализованная платформа HuggingFace фактически концентрирована: исследование (arxiv 2512.03073) показывает, что менее 0.01% моделей получают почти половину всех скачиваний. Model Context Protocol замыкает инструментарий оценки и развёртывания.

Для национальных государств — потеря суверенитета на уровне инфраструктуры. Модерационная политика HuggingFace подчиняется юрисдикции США и может в любой момент блокировать доступ к весам, датасетам, библиотекам.

Окно для РФ: Национальный Model Hub (проект 15) с тремя контурами (открытый / полузакрытый / закрытый). Верифицированные веса и датасеты, исключающие риск внешнего отключения. Экспорт модели в БРИКС/СНГ как геополитическая инвестиция.

Использование документа

v3 — финальная версия анализа западной AI-экосистемы. Объединяет корневой анализ (v2), расширенную механику сделок и структурные уязвимости западной модели.

Основные источники: Meta Llama policy announcement (Nov 2024), CoreWeave $8.5B facility (2026), Microsoft-OpenAI PBC reorganization (Oct 2025), Amazon-Anthropic 5 ГВт Trainium deal, DIU CSO + OTA (10 U.S.C. § 4022), In-Q-Tel National Academies report, FTC non-compete analysis 2024, IEA Energy and AI report, MacroPolo/Brookings AI Talent study, TSMC Q1 2026 earnings, S&P Global Ratings AI investment risks (2026).