После того как модели DeepSeek R1 шокировали рынок в начале 2025 года, американские компании разогнались: OpenAI ушла в агенты и Codex, а Anthropic превратила Claude Code в бизнес. Китай имеет конкурентов, но США лидируют в доходах, внедрении и масштабе, так как побеждают на коммерциализации. Дональд Трамп, в основе своей продавец, и Ларри Эллисон подходят к этому моменту идеально, что делает ИИ-инфраструктуру простым политическим продуктом. Сегодня продавать искусственный интеллект проще, чем в 80-х базам данных Oracle. DeepSeek важен стратегически для Китая, помогая снизить зависимость от Nvidia и переключить инференс на отечественные стеки, такие как Huawei Ascend, что поддерживает автономию цепочек поставок.
Спикер SAP Кристиан Кляйн утверждает, что Европе не нужны дополнительные дата-центры и одни языковые модели ничего не дадут. Он прав по второму пункту, но ошибается в главном. США выигрывают, строя все слои сразу: чипы, энергию, дата-центры, облачные платформы, инструменты для разработчиков и корпоративное ПО. Многие используют неверный счетчик, считая, что статьи и количество инженеров доказывают лидерство. Главное — кто финансирует инфраструктуру, обучает модели в масштабе и применяет их в экономике. Энергия здесь важная часть: современные GPU и TPU превращают электричество в вычисления, поэтому дешевое электричество снижает стоимость моделей. Данные показывают цены на розничное электричество в долларах за кВт*ч: в Германии домашние тарифы 0.436, бизнес — 0.279; в Великобритании 0.420 и 0.415; в Испании 0.282 и 0.136; во Франции 0.274 и 0.174; в США 0.201 и 0.154; в Канаде 0.125 и 0.106. Россия стоит 0.087 и 0.131, Китай — 0.078 и 0.117. США дешевле крупных западных экономик, Канада еще дешевле, Китай и Россия дешевле США. Но энергия — не самый важный слой. Решающим является облачная инфраструктура и данные. США владеть глобальными гиперскейлерами AWS, Azure и Google Cloud, которые дают американским фирмам основные каналы выхода на мировые модели. Они также владеют платформами, генерирующими и организующими данные эпохи ИИ: YouTube как корпус видео, Google Drive и Microsoft 365 внутри офисной работы, GitHub внутри разработки. Это системы распределения и платформы данных. Новые модели можно проталкивать в продукты, которыми люди пользуются ежедневно.
Только энергии недостаточно для победы. Страна может иметь дешевое электричество и все еще проиграть, если у нее нет облачного масштаба, платформенного охвата, экосистем разработчиков и доступа к большим потокам полезных данных. США обладает всем этим сразу. Китай имеет это в своем большом внутреннем рынке, а Европа — нет. Европа давно обладает сильными инженерными кадрами, но только таланта мало. Американские гиперскейлеры уже доминируют на рынке, и догоняние идет медленно. Даже если Европа сегодня решит финансировать настоящих облачных чемпионов, строительство инфраструктуры будет лишь первым шагом. Ей затем придется перемещать банки, производителей и государственные ведомства на эти платформы, что займет большую часть десятилетия. К тому времени AWS, Azure и Google Cloud будут еще дальше в масштабе, софте и данных.
Есть одно исключение: Аркадий Волож пытается превратить Nebius в европейскую компанию ИИ-инфраструктуры, но это подтверждает правило: Европа все еще в начале. Кляйн прав насчет одних LLM, но урок не в том, что дата-центры менее важны. Их значимость внутри гораздо более большой системы. США выигрывают, потому что работают вместе энергия, капитал, облачная инфраструктура и платформы данных. Энергия важна, но облако и данные важнее, именно там наиболее сильна американская позиция. Существует еще один фронтон: военизированный ИИ. Следующая фаза может быть противостоянием ИИ страны X с ИИ других стран в бот-сетях, киберкампаниях и автономном оружии. Провайдеру не нужна магия для этого: настройка систем, чтобы дегуманизовать соперников, оправдать насилие или целые популяции, пугающе проста. Как только модели внедряются в медиа, сети и оружие, предвзятость становится силой. Гонка за ИИ также является гонкой за безопасность. Модели вроде Mythos от Anthropic указывают на другой сдвиг. Старый инстинкт Linux — множество глаз на открытый код. Границевые кибермодели могут толкать государства и оборонные фирмы в противоположную логику: безопасность через сокрытость, с закрытым софтом, закрытыми инструментами, закрытым фирмваром и закрытыми чипами. Если модель не может обучаться на коде и архитектуре целевого стека, у нее будет меньше контекста и скорости. Это не делает системы безопасными, но повышает ценность собственных стеков до самого железа.