Автор статьи: Ху Сюаньфэн — директор по цифровым активам в Fosun Wealth, CMO FinChain, исполнительный директор Гонконгского института применения и инвестиций в блокчейн, заместитель директора Центра содействия блокчейн-индустрии регионов Янцзы и Чжэцзян.
Предупреждение о рисках: настоящий материал не является рекомендацией по покупке или продаже ценных бумаг и не содержит определенных суждений о ценах на акции отрасли или компании. Термины «возможности», «переоценка», «карта богатства», использованные в тексте, относятся к потенциальным направлениям, которые могут привлечь внимание отрасли и капитальных рынков. Реальные инвестиции требуют независимой оценки на основе оценки стоимости, финансовых результатов, заказов, конкурентной среды, качества финансов и способности переносить риски.
Вступление: Кто будет следующим модулем оптического интерфейса
После того как оптические модули выросли в десять раз, многие почувствовали, что упустили лучшую возможность в цепочке поставок ИИ. За последний год такие компании-поставщики, как Zhongji Chuangchuang, Xinyisheng, Tianfu Communications и Yuanjie Technology, стали самой яркой темой на финансовых рынках. Особенно выделяется Yuanjie Technology — в апреле 2026 года её цена на бирже временно превысила цену Kweichow Moutai, став новым символом самых дорогих акций на A-рынке. Сам факт этого говорит о том, что аппаратное обеспечение для ИИ-вычислений уже перестало быть просто технологической темой и превратилось в реальное событие ценообразования на финансовых рынках. [1]
Но то, о чем я действительно хочу поговорить, — это то, что всех больше интересует: «Кто будет следующим оптическим модулем?»
Чтобы найти ответ на этот вопрос, нельзя ограничиваться поверхностным уровнем — необходимо понять базовую логику: на каждой волне промышленной революции капитал может присваивать высокую оценку компаниям, хорошо рассказывающим свои истории, но это не длится долго. На самом деле долгосрочную капитализацию получают те компании, которые преодолевают новые узкие места.
Кто преодолеет новый узкий момент, тот получит новую ценовую власть; кто обладает новой ценовой властью, тот может быть переоценен. Этот цикл роста на рынке оптических модулей по сути не связан с внезапной симпатией рынка к оптоволоконной связи, а обусловлен тем, что AI-центры обработки данных выдвинули на первый план узкое место «высокоскоростного взаимодействия».
I. Искусственный интеллект — это новая революция в информационной инфраструктуре
Сегодня многие рассматривают ИИ через призму тематических соображений: ChatGPT стал популярным — значит, гонятся за оценкой крупных моделей; NVIDIA выросла — значит, гонятся за GPU; выросли оптические модули — значит, все бросились за ними; пока приложения не приносят массовой прибыли — говорят, что ИИ — это пузырь.
Это слишком краткосрочная точка зрения, которая чаще всего приводит к тому, что вы следуете за чем-то и попадаете в ловушку. Правильный подход — глубоко проанализировать, почему оптические модули получили признание со стороны капитала, и выявить закономерности.
Искусственный интеллект — это новая революция в информационной инфраструктуре. Он, как телеграф, телефон и мобильный интернет, переопределяет способы производства, передачи, обработки и монетизации информации.
В последнее время я пишу новую книгу «Экономика токенов: Новый путь развития в эпоху интеллекта». После глубокого исследования я обнаружил, что каждая информационная революция порождает новый коммерческий единицу измерения.
В эпоху телеграфа важнейшей единицей был «символ»; в эпоху телефона — «минута»; в эпоху мобильного интернета — «трафик»; в эпоху ИИ важнейшей единицей становится Token, то есть токен.
Токены表面上 являются наименьшими единицами информации, обрабатываемыми ИИ, но на самом деле представляют собой совокупные затраты на вычислительные мощности, электроэнергию, видеопамять, хранилище, сеть, архитектуру модели и эффективность вывода. Когда вы задаете ИИ вопрос, это потребляет токены; когда компания заставляет агента выполнить процесс, это также потребляет токены. В будущем, когда ИИ войдет в службы поддержки, инвестиционные исследования, дизайн, программирование, образование, медицину, финансы и производство, за каждое выполнение задачи будет стоять реальная стоимость токенов.
Таким образом, долгосрочное распределение богатства в цепочке создания ИИ не должно основываться только на том, кто продает GPU. На самом деле важно четыре вещи: кто производит токены, кто снижает стоимость токенов, кто управляет токенами и кто превращает токены в результаты, за которые пользователи готовы платить.
Два: история — это не фон, а правила распределения отрасли
Чтобы понять будущее ИИ, сначала нужно понять историю информационной индустрии за последние сто лет.
Телеграм, телефон, интернет — на поверхности это три разных отрасли, но в основе они постоянно повторяют один и тот же сценарий: когда новый элемент только появляется, он дорогой, и сначала прибыль приносит инфраструктура; когда стоимость единицы падает, на сцену выходит уровень эффективности; в конце концов, уровень входа заново перераспределяет коммерческую ценность.
Первый акт — эпоха телеграфа.
В 1866 году трансатлантический подводный кабель был официально введен в эксплуатацию, и передача информации между Европой и Северной Америкой изменилась с недельного на минутный масштаб. Однако в начале телеграммы были очень дорогими: один символ стоил 10 долларов, минимальный объем — десять символов. Отправка самой короткой трансатлантической телеграммы равнялась примерно десяти недельным зарплатам квалифицированного рабочего того времени. [2]
В то время первыми заработали те, кто прокладывал подводные кабели и контролировал международные телеграфные сети, поскольку они владели информационной магистралью глобальных финансов, торговли, судоходства и дипломатии того времени.
Но если один символ слишком дорог, это неизбежно стимулирует развитие технологий сжатия. Торговцы начали использовать телеграфные коды и коммерческие шифровальные книги. Одно слово больше не было просто словом — оно могло обозначать целое предложение, команду на сделку или спецификацию товара. Сегодня мы говорим о сжатии, квантовании и прогнозирующем декодировании AI-моделей — звучит очень передово, но базовая логика не нова. Люди с эпохи телеграфа делают одно и то же: можно ли передать ту же информацию, используя меньше единиц счета?
Далее появился вход. Типичный пример — Рейтер. В 1850 году Пол Юлиус Рейтер использовал 45 голубей для передачи акционерных цен и новостей между Брюсселем и Ахеном, что было на 6 часов быстрее, чем железная дорога; после прокладки кабеля через Ла-Манш он быстро подключился к телеграфной сети, продавая банковским учреждениям, газетам и торговцам финансовую информацию, коммерческие новости и рыночные котировки.[3]
Сила Reuters заключается не в прокладке кабелей, а в понимании, какая информация важна, и кто готов платить за более быструю доставку информации. Телеграфные компании зарабатывают на оплате за передачу символов, а Reuters — на правах распространения информации. Одна зарабатывает на канале, другая — на ценности информации.
Второй акт — эпоха телефонов.
В эпоху телефонов единицей измерения стала минута. В начале коммерческой эксплуатации межконтинентальной телефонной связи в США в 1915 году первые три минуты звонка из Нью-Йорка в Сан-Франциско стоили около 20,70 доллара США, что эквивалентно сотням долларов сегодня. [4] Первые победители, естественно, стали AT&T. Телефонная сеть обладает сильными характеристиками физического монополизма: линии, коммутаторы, ретрансляционные станции и конечные пользователи образуют огромную сеть.
Однако позже автоматические коммутаторы, усилители сигналов и обновление оборудования связи привели к постоянному снижению стоимости минуты разговора. Рынки капитала начали переоценивать компании, производящие оборудование для повышения эффективности систем. Позже на телефонных сетях появились желтые страницы. Желтые страницы не взимают плату за разговоры, а собирают плату за размещение от бизнеса. Пользователи ищут бизнес, а бизнес хочет, чтобы его нашли пользователи — так сформировался коммерческий вход.
Третий акт — эпоха мобильных телефонов и интернета.
В ранние времена беспроводной связи наиболее ценными были строители инфраструктуры; позже контроль над номерами, сетями, тарифами и системой оплаты перешел к операторам связи, что сделало их чрезвычайно востребованными — SMS, голосовые вызовы и трафик оплачивались по объему использования. Интернет, основанный на проводной и беспроводной инфраструктуре, значительно снизил стоимость связи и повысил эффективность ее реализации, наступила эра трафика. По мере быстрого снижения стоимости единицы трафика инфраструктура перестала оцениваться высоко, а компании, контролирующие точки входа пользователей, стали все более ценными, что привело к появлению гигантов интернет-платформ. WeChat, Taobao, Meituan, Douyin, Xiaohongshu и Pinduoduo взяли под контроль время пользователей, транзакции и решения о потреблении.
Операторы контролируют байты, а интернет-платформы контролируют коммерческие намерения внутри этих байтов. Это закон, который проявлялся на протяжении трех поколений информационной индустрии: сначала растут инфраструктурные слои, затем на смену им приходят слои эффективности, и в конце концов слой входа распределяет наибольшую ценность. Сейчас ИИ находится на ключевом этапе перехода от первого этапа ко второму и третьему.
Третий вопрос: почему первая волна пришлась на GPU, HBM и оптические модули?
За последние два года первая волна роста в сфере ИИ сначала подняла NVIDIA, хранилища и оптические модули — это неудивительно, поскольку первый этап ИИ связан с обучением крупных моделей и строительством вычислительных кластеров.
Обучение крупных моделей требует огромного количества GPU; GPU требуют памяти с высокой пропускной способностью, то есть HBM; для совместной работы большого количества GPU необходима высокоскоростная связь, то есть оптические модули, коммутационные чипы, печатные платы, разъемы и сетевое оборудование. Традиционные центры обработки данных похожи на группу серверов, выполняющих множество обычных задач, тогда как ИИ-центры обработки данных напоминают огромный суперкомпьютер. Десятки тысяч, сотни тысяч GPU должны работать как единое целое, и замедление любого из звеньев замедлит всю систему.
ГПУ дороги, и если сеть недостаточно быстрая, ГПУ просто ждёт данные. Ожидание данных ГПУ означает простой дорогостоящего актива. Поэтому рост оптических модулей имеет промышленную основу; рост HBM — это то, что капитальные рынки покупают как реальный узкий участок цепочки поставок.
Но рынок не будет постоянно сосредоточен только на первых узких местах. После того как такие явные компоненты, как GPU, HBM и оптические модули, будут достаточно обсуждены, вопрос сместится дальше: как обеспечить стабильную работу вычислительных мощностей? Как сделать их более дешевыми? Как интегрировать их в корпоративные процессы? Как превратить их в результат, за который пользователи будут готовы платить?
Четвертый этап развития ИИ: электропитание, жидкостное охлаждение и индустриальная недвижимость для вычислительных мощностей
Следующая наиболее очевидная тенденция — это электропитание и жидкостное охлаждение. Причина проста: центры обработки данных для ИИ переходят от «бизнеса с серверными помещениями» к «бизнесу энергетики».
Раньше люди понимали центры обработки данных как здания, заполненные множеством серверов. Центры обработки данных для ИИ — это не так. Основными ограничениями для центров обработки данных для ИИ становятся подключение к электросети, плотность мощности стойки, способности к охлаждению, управление энергопотоками и доставка инфраструктуры. При официальном представлении GB200 NVL72 NVIDIA подчеркивает, что он объединяет 36 процессоров Grace и 72 GPU Blackwell в единой rack-scale, жидкостно-охлаждаемой архитектуре — то есть в системе жидкостного охлаждения всего стойки. [5]
Это означает, что конкуренция в области ИИ уже не является конкуренцией отдельных GPU, а представляет собой системную борьбу на уровне целых стойков, серверных помещений и целых центров обработки данных. В будущем плотность мощности стойков будет продолжать расти до десятков и даже сотен киловатт, и жидкостное охлаждение, а также электроснабжение перестанут быть вспомогательными системами — они станут предварительными условиями для развертывания вычислительных мощностей.
Важнее всего — электричество. Международное энергетическое агентство в отчете «Energy and AI» прогнозирует, что потребление электроэнергии мировыми центрами обработки данных к 2030 году почти удвоится и достигнет примерно 945 ТВт·ч, что составит почти, но менее 3% от общего объема потребления электроэнергии в мире; при этом ИИ является одним из ключевых драйверов роста. [6]
Графические процессоры можно заказать, оптические модули можно расширить, серверы можно собрать, но электросети, подстанции, линии электропередачи, резервные источники питания и системы охлаждения нельзя создать за несколько месяцев. Чем мощнее ИИ, тем выше потребление энергии; чем плотнее вычислительная мощность, тем больше тепла; чем концентрированнее центры обработки данных, тем экстремальнее требования к электропитанию и охлаждению.
Таким образом, трансформаторы, ИБП, распределительные щиты, импульсные источники питания, шинопроводы, системы электропитания центров обработки данных, жидкостные охлаждающие пластины, CDU, насосы и клапаны, теплообменники, комплексные решения для жидкостного охлаждения серверных стойок, а также комплексное обслуживание инфраструктуры центров обработки данных будут переоценены. Раньше их все относили к традиционной промышленности, но после появления ИИ они превратились в предпосылки для доставки вычислительной мощности.
Если продвинуться ещё на шаг дальше, AI-центры обработки данных превратятся из традиционных IDC в новый тип промышленной недвижимости. Традиционные IDC оцениваются по количеству стойок, уровню загрузки, PUE, арендной плате и клиентам; AI-центры обработки данных оцениваются по показателям электропотребления, подстанциям, долгосрочным энергетическим договорам, способности к жидкостному охлаждению, высокоскоростному подключению к сети, долгосрочным контрактам с крупными клиентами, способности к эксплуатации GPU-кластеров и потенциалу расширения земельного участка.
Это уже не просто бизнес по «строительству зданий и размещению серверов». Он больше похож на станции эпохи железных дорог, порты эпохи мореплавания, аэропорты эпохи авиации и узловые пункты эпохи автострад. Лучшие в будущем компании по созданию AI-центров обработки данных будут не просто сдавать в аренду серверные помещения, а объединять землю, электроэнергию, охлаждение, сеть, чипы и долгосрочные контракты с клиентами в единый инфраструктурный актив с денежными потоками, барьерами для входа и ограниченной доступностью.
Эта линия имеет дальнейшее развитие: финансирование активов центров обработки данных. Как только AI-центры обработки данных сформируют стабильный денежный поток, они могут быть превращены в REITs, RWA, инфраструктурные фонды, продукты на основе прав на доход и долгосрочные лизинговые активы. В эпоху облачных вычислений центры обработки данных были фоновыми активами провайдеров облаков; в эпоху AI центры обработки данных будут переоценены как «промышленная недвижимость для вычислительных мощностей».
Пять: после обучения начинается война за стоимость вывода
Сейчас многие считают, что NVIDIA слишком сильна, и что все возможности в области ИИ-чипов уже исчерпаны NVIDIA. Это суждение верно лишь наполовину.
На этапе обучения больших моделей преимущество NVIDIA очень велико. Это не только мощные GPU, но и CUDA, экосистема разработчиков, сетевые системы, комплексные решения и программные инструменты. Однако, когда ИИ переходит на этап масштабного вывода, логика меняется. На этапе обучения наиболее важно создать модель; на этапе вывода наиболее важно обеспечить обслуживание огромного числа пользователей ежедневно. Обучение больше похоже на капитальные затраты, а вывод — на операционные расходы.
Когда ИИ внедряется в службы поддержки, офисную работу, программирование, финансы, образование, здравоохранение и производство, ежедневно возникает огромное количество запросов. В этот момент люди осознают, что логика экономики токенов отличается от логики экономики трафика: в экономике трафика предельные затраты снижаются, поэтому можно масштабно привлекать пользователей, а затем думать о доходах, поскольку сетевые затраты на каждого нового пользователя постепенно уменьшаются. Однако логика экономики токенов иная: именно это создает совершенно иные экономические издержки для компаний, разрабатывающих крупные модели, и облачных провайдеров — предельные затраты здесь остаются неизменными или даже растут. Обучение — это одноразовые вложения с долгосрочной отдачей, а вывод — нет. Если каждое использование ИИ для обслуживания одного пользователя приносит убытки, а задача вызывается десятки миллионов или даже сотни миллионов раз в день, ни одна компания не сможет выдержать такие потери. Именно поэтому даже крупная языковая модель «Доубао» от ByteDance вынуждена перейти на платную модель.
В этот момент появляется новая возможность, и люди начинают задумываться о снижении затрат. Почему все задачи должны выполняться на самых дорогих универсальных GPU? Можно ли использовать специализированные чипы? Можно ли применить ASIC с более низким энергопотреблением, более высокой пропускной способностью и лучше подходящий для фиксированных сценариев?
Это причина, почему случаи с Broadcom, AMD, Google TPU заслуживают внимания.
По сообщению Reuters, Broadcom ожидает, что к 2027 году возможности дохода от специализированных чипов ИИ могут превысить 100 миллиардов долларов США, что обусловлено быстрым ростом спроса со стороны крупных технологических компаний на специализированные чипы ИИ. [7] В годовом отчете за 2024 год AMD сообщила, что ее годовой доход от бизнеса ИИ в центрах обработки данных уже превысил 5 миллиардов долларов США, при этом такие клиенты, как Meta, Microsoft и Oracle, масштабно развертывают ускорители AMD Instinct MI300. [8] Google Cloud подчеркивает, что TPU v5e ориентирован на эффективность затрат и позволяет обеспечить более высокий объем запросов при тех же расходах. [9]
Таким образом, в будущем AI-чипы не будут иметь только одну форму. NVIDIA останется сильной, но облачные провайдеры, собственные чипы, специализированные ASIC, чипы для ускорения вывода и краевые AI-чипы также займут свои ниши. Это не простая замена NVIDIA, а захват части прибыльного сегмента эпохи вывода. Переход от эпохи обучения к эпохе вывода сделает оптимизацию затрат новым источником ценовой власти.
Шесть: после оптических модулей — вся AI-сеть
Многие считают, что рынок оптических модулей уже исчерпал свой потенциал, и поэтому рынок ИИ завершился. Я так не думаю. Оптические модули — это лишь первый явный уровень сети ИИ. За ними следуют коммутационные чипы, коммутаторы, DPU, SmartNIC, CPO, кремниевая оптика, кластерное планирование и сетевые операционные системы.
Суть центра обработки данных на базе ИИ — это соединение большого количества GPU в одну супервычислительную систему. Самым дорогим активом здесь являются GPU, а самой неприемлемой ситуацией является их простой. Если задержка в сети высока, GPU ждут данных; если эффективность обмена низка, GPU ждут данных; если архитектура связи неоптимальна, GPU всё равно ждут данных.
Таким образом, ценность AI-сети заключается не только в передаче данных, но и в повышении общей эффективности использования GPU-кластера. В обычном интернет-центре обработки данных медленная сеть приводит лишь к более медленной загрузке для пользователей; в AI-центре обработки данных замедление сети может привести к снижению эффективности использования оборудования на сотни миллионов или даже миллиарды долларов.
Платформа NVIDIA Quantum-X800 InfiniBand ориентирована на обеспечение сетевой пропускной способности 800 Гб/с端到端, что направлено на обслуживание моделей ИИ с триллионами параметров; Spectrum-X Ethernet акцентирует внимание на повышении производительности сети ИИ и поддержке масштабирования крупных кластеров GPU. [10] TrendForce также отмечает, что спрос на оптические трансиверы 800 Гб/с и выше для межсоединения кластеров серверов ИИ быстро растет, и рынок оптических трансиверов ИИ продолжит расширяться. [11]
Таким образом, будущие AI-сети будут продолжать совершенствоваться: от 400 Гбит/с до 800 Гбит/с, а затем до 1,6 Тбит/с; от традиционных оптических модулей до CPO; от электронной коммутации к гибридной электронно-оптической системе; от обычных сетей к AI fabric; от отдельных устройств к управлению целыми кластерами. На капитальных рынках в ближайшее время больше не будут фокусироваться только на бизнесе оптических модулей, а будут оценивать, кто повысит эффективность подключения AI-кластеров, кто сократит время ожидания GPU и кто обеспечит более стабильную работу кластеров с десятками и сотнями тысяч GPU.
Семь: после того как токен станет дешевле, входящие изменятся.
Массовое применение в эпоху ИИ зависит от постоянного снижения стоимости токенов. Чем дороже токены, тем сложнее распространение ИИ; чем дешевле токены, тем легче ИИ проникает в бизнес-процессы и повседневную жизнь.
По отчету AI Index Стэнфорда за 2025 год, стоимость запросов к моделям, достигшим уровня GPT-3.5, снизилась с примерно 20 долларов за миллион токенов в ноябре 2022 года до примерно 0,07 доллара в октябре 2024 года — снижение более чем в 280 раз за 18 месяцев; скорость снижения цен на инференс LLM варьируется в зависимости от задачи — от 9 до 900 раз в год. [12]
Эти данные показывают, что настоящая долгосрочная дефляционная сила в индустрии ИИ уже начала проявляться. Тот, кто сможет выполнять одну и ту же задачу с меньшим количеством токенов, меньшим объемом видеопамяти, меньшим потреблением электроэнергии и меньшим временем вывода, имеет ценность.
Эти компании я называю сторонниками токен-сжатия.
Они могут быть модельными компаниями, платформами для вывода, чиповыми компаниями, облачными провайдерами или компаниями по созданию корпоративной ИИ-инфраструктуры. Ключевое не в том, как они называются, а в том, могут ли они снизить стоимость выполнения одной и той же задачи, сократить цепочку вывода, уменьшить количество неэффективных вызовов и обеспечить более стабильный результат.
Здесь несколько технологий играют важную роль: MoE, квантизация, дистилляция, кэширование, предсказательное декодирование и маршрутизация моделей. Особенно важна маршрутизация моделей — не все задачи требуют вызова самого дорогого модели. Зрелые ИИ-системы автоматически выбирают наиболее подходящую модель и путь в зависимости от сложности задачи, бюджета, требований к скорости, конфиденциальности и точности. Однако маршрутизация моделей легко подвержена давлению крупных компаний, и ее конкурентное преимущество не слишком устойчиво.
После снижения стоимости вопрос входа станет еще более важным. Многие считают, что входом в эпоху ИИ станет платформа для управления моделями, подобно Meituan в эпоху ИИ. Эта аналогия имеет смысл, но она недостаточно глубока. Настоящим входом в ИИ может стать не платформа, где вы выбираете модель, а система, встроенная в рабочий процесс.
Обычные пользователи не будут ежедневно самостоятельно открывать платформу управления моделями. Корпоративные пользователи также не будут вызывать модели просто ради вызова. Пользователям нужна задача, компаниям — повышение эффективности процессов, сотрудникам — результат работы. AI в конечном итоге будет интегрирован в Office, Feishu, DingTalk, WeCom, ERP, CRM, редакторы кода, браузеры, электронную почту, поиск, бухгалтерские системы, службы поддержки и торговые системы. Кто контролирует рабочие процессы, тот контролирует права на вызов AI.
В годовом отчете за 2025 год Microsoft сообщила, что общее количество ежемесячных активных пользователей продуктов Copilot на коммерческом и потребительском сегментах превысило 100 миллионов, а также дополнительно интегрировала Microsoft 365 Copilot в рабочие процессы. [13] Это свидетельствует о том, что точкой входа для ИИ не обязательно должен быть отдельный приложение, а может быть интеллектуальный слой в существующих рабочих процессах.
Для программистов входом может быть редактор кода и платформа для хостинга кода; для офисной работы — Microsoft 365, Google Workspace, Feishu, DingTalk; для управления бизнесом — ERP, CRM, финансовые системы; для личного использования — операционная система телефона, браузер, строка поиска, умные очки. Настоящим входом в эпоху ИИ является не список моделей, а вход в рабочий процесс.
Восемь: настоящая сложность корпоративного ИИ — это внедрение в процессы
Чтобы ИИ стал входной точкой рабочего процесса, необходимо одно условие: он должен быть интегрирован в реальные корпоративные процессы. Самая сложная задача корпоративного ИИ — не подключение чат-бота, а способность модели безопасно получать доступ к корпоративным данным, понимать бизнес-процессы, взаимодействовать с системами, оставлять журналы, поддаваться аудиту и интегрироваться с человеческими механизмами одобрения.
Сегодня многие компании используют ИИ только на уровне, когда сотрудники сами задают вопросы, пишут тексты и делают сводки. Это повышает личную эффективность, но не меняет организационную структуру. Настоящий корпоративный ИИ — это когда агенты встраиваются в процессы.
Сервисный агент — это не просто ответ на вопросы, а проверка заказов, отслеживание логистики, оценка условий возврата и вызов системы послепродажного обслуживания; финансовый агент — это не просто составление отчетов, а чтение первичных документов, сверка счетов, выявление аномалий и формирование рекомендаций для утверждения; агент по инвестиционным исследованиям — это не просто резюмирование новостей, а сбор данных, построение моделей, сравнение компаний и мониторинг рисков; юридический агент — это не просто составление договоров, а поиск условий, выявление рисков, связывание с прецедентами и сохранение следов изменений.
За этим стоит целая инфраструктура: базы данных, векторный поиск, управление правами доступа, управление данными, интеграция систем, движок рабочих процессов, журналы аудита, безопасность и соответствие требованиям, корпоративная база знаний, платформа оркестрации агентов. Эти вещи не кажутся такими же привлекательными, как крупные языковые модели, но именно они составляют фундамент для реального внедрения ИИ в бизнесе. Первые деньги, которые компания должна потратить на внедрение ИИ, — это деньги на безопасность, данные, права доступа, процессы, интеграцию и соответствие требованиям, а не на развертывание модели, которая просто выполняет какие-то красивые, но бесполезные задачи.
Здесь скрыто еще одно более значительное изменение: настоящие крупные доходы от приложений ИИ могут исходить не из бюджета на программное обеспечение, а из бюджета на персонал. SaaS продает инструменты, а AI Agent продает результаты. Инструменты требуют человеческого управления, а агенты выполняют задачи напрямую.
Система ИИ-поддержки клиентов, если она просто продает программное обеспечение, имеет потолок на рынке программ для службы поддержки; но если она действительно заменяет большое количество человеческих операторов, потолок становится рынком аутсорсинга службы поддержки и затратами на персонал корпоративной службы поддержки. Система ИИ для юридических услуг, если она просто продает инструменты для документов, имеет ограниченный потолок; но если она способна заменить младших юристов, проверку договоров и сбор дилижентной информации, потолок становится общим пулом затрат на юридические услуги.
Harvey — это值得关注ый пример юридического ИИ. По данным TIME за 2025 год, оценка Harvey составляет около 5 миллиардов долларов США, у нее более 300 клиентов в 53 странах, и она работает в семи из десяти самых доходных юридических фирм США. [14] Это демонстрирует, что применение ИИ в сферах высокой ценности знаний — это не просто замена инструментов, а проникновение в костовую базу профессиональных услуг.
На будущем действительно выдающиеся компании, создающие приложения на основе ИИ, не будут просто называть себя программными компаниями, а будут говорить, сколько работы они могут выполнить за клиентов, сколько человеческих ресурсов сэкономить, насколько снизить количество ошибок, повысить конверсию и сократить цикл поставки. Рынок капитала раньше смотрел на ARR, а в будущем будет смотреть, насколько большой пул трудовых затрат они смогут поглотить.
Девять: не игнорируйте локальный ИИ и финанализацию вычислительных мощностей
Есть еще две линии, которые сейчас не самые горячие, но их нельзя игнорировать в среднесрочной и долгосрочной перспективе. Одна из них — локальный ИИ. Сегодня большинство токенов производятся в облачных центрах обработки данных; когда вы задаете вопрос модели, по сути, удаленный центр обработки данных выполняет вычисления за вас. Но в будущем невозможно будет размещать все вычисления ИИ исключительно в облаке.
Причина проста: облачные вычисления слишком дороги, многие сценарии требуют низкой задержки, многие данные нельзя загружать в облако, и конечные устройства станут все более умными. Поэтому в будущем часть токенов переместится с облака на локальные устройства, или, иначе говоря, на конечные устройства. На смартфонах будет работать ИИ, на ПК — ИИ, в автомобилях — ИИ, в роботах — ИИ, в умных очках — ИИ, и на локальных рабочих станциях — ИИ.
После запуска ИИ на стороне терминала начнётся новый цикл развития аппаратного обеспечения. Чипы ИИ на стороне терминала, NPU, энергосберегающая память, управление питанием, теплоотвод, датчики, камеры, массивы микрофонов, ПК с ИИ, смартфоны с ИИ, умные очки с ИИ, роботы и платформы для интеллектуальных вычислений в автомобилях войдут в новый этап переоценки цепочек поставок.
Но эту линию нужно рассматривать объективно. Направление AI на стороне устройства верное, однако сейчас еще не хватает по-настоящему killer-приложений. AI-ПК и AI-телефоны сейчас в основном продвигаются производителями оборудования, а у пользователей еще не сформировалась необходимость заменять устройства обязательно. Поэтому AI на стороне устройства не станет первой линией взрыва, но будет важной долгосрочной линией.
Еще одна линия — финансирование вычислительной мощности. Инфраструктура ИИ слишком тяжелая. GPU дорогие, центры обработки данных дорогие, контракты на электроэнергию дорогие, сроки строительства длинные, объем замороженного капитала велик. Полагаться только на собственные балансы технологических компаний — не обязательно оптимальное решение.
В будущем могут появиться следующие типы новых финансовых активов: контракты на аренду GPU, право на доход от вычислительной мощности, REITs для центров обработки данных, фонды инфраструктуры ИИ, долгосрочные соглашения о покупке электроэнергии, финансирование под залог GPU, структурированное финансирование на основе дохода от вывода, а также вычислительные активы, рационализированные через RWA.
Команда по цифровым активам Fosun Wealth, в которой я работаю, является одной из самых профессиональных команд по выпуску RWA в Гонконге. С точки зрения моего прямого опыта в бизнесе, активы вычислительной мощности RWA обладают огромной финансовой стоимостью и перспективой глобальной регулируемой торговли в будущем. FinChain StarChain и StarRoad помогают крупным традиционным производителям вычислительной мощности реализовать новый合规 финансовый путь через токенизацию — от вычислительной мощности биткоина до ИИ-вычислительной мощности.
За рубежом уже существуют успешные примеры финансирования вычислительной мощности; CoreWeave является наиболее ярким примером. В марте 2026 года CoreWeave объявила о завершении получения 8,5 млрд долларов США в виде delayed draw term loan facility, назвав это первым инвестиционного уровня финансированием, обеспеченным GPU. [15] Это свидетельствует о том, что GPU, стойки и контракты на вычислительную мощность теперь рассматриваются финансовыми рынками как инфраструктурные активы, подлежащие переоценке как залоговые и финансируемые активы.
Это очень похоже на железнодорожную, телекоммуникационную и облачную эпохи. В эпоху железных дорог железнодорожные компании финансировали строительство путей за счет облигаций; в эпоху телекоммуникаций операторы прокладывали сети с помощью долгосрочного капитала; в эпоху облачных вычислений провайдеры облаков инвестируют огромные капиталовложения в строительство центров обработки данных. В эпоху ИИ GPU, стойки, контракты на электроэнергию и будущие доходы от инференса также будут переупакованы, переоценены и обращаться на финансовых рынках.
Десятое: самая высокая возможность — AI-натуральные компании перепишут отчет о прибылях и убытках
Ранее мы говорили о цепочке создания стоимости. Но наибольшее долгосрочное влияние ИИ заключается не только в цепочке создания стоимости, а в том, что организационные структуры будут переписаны.
Раньше компании формировали отделы из людей: отдел продаж, служба поддержки, бухгалтерия, юридический отдел, отдел исследований и инвестиций, операционный отдел — у каждого отдела были должности, процессы, утверждения и система оценки эффективности. После внедрения AI-агентов организация изменится: один человек сможет управлять несколькими агентами, отдел может быть сжат за счет рабочих процессов агентов, позиции в среднем и заднем офисе будут автоматизированы, радиус управления увеличится, и компания превратится из трудоемкой организации в организацию, основанную на сотрудничестве человека и машины.
Это означает, что на будущих финансовых рынках будет проведена переоценка компаний: AI-native компаний. Речь идет не просто о покупке нескольких инструментов ИИ или использовании сотрудниками ChatGPT для написания текстов, а о том, чтобы с самого начала перепроектировать организационную структуру с учетом ИИ. Меньше людей, более высокий доход, большая производительность на человека, более низкие предельные затраты, более быстрая скорость доставки.
Таким образом, наибольшее влияние ИИ на финансовые рынки — это не только «кто вырастет в цепочке поставок ИИ», но и «кто из отраслей сможет переписать свою прибыльную таблицу с помощью ИИ». Будущие рынки наградят два типа компаний: первый — компании, продающие инфраструктуру ИИ и возможности ИИ; второй — компании, которые используют ИИ для переосмысления своей структуры затрат и доходов. Последние внешне могут не быть ИИ-компаниями, но их организационная эффективность, рентабельность и производительность на одного сотрудника претерпят фундаментальные изменения.
Заключение: ИИ переопределяет дефицит
На этом стоит отметить, что если рассматривать только GPU, оптические модули, электропитание, жидкостное охлаждение, ASIC, центры обработки данных и устройства на стороне клиента, то всё ещё воспринимается ИИ как одна технологическая цепочка создания стоимости. Более глубокое изменение заключается в том, что ИИ переопределит, что является дефицитным.
Раньше дефицитным был GPU, поэтому NVIDIA вырос; позже дефицитным стали HBM и оптические модули, поэтому выросли секторы хранения данных и оптические модули; далее дефицитными станут электропитание, жидкостное охлаждение, AI-сети, чипы для вывода, конвейеры данных, точки входа в рабочие процессы, корпоративные данные и организационная исполнительная способность.
Если разбить эту волну AI-рынка на этапы, то на первом этапе покупали инфраструктуру вычислительных мощностей, на втором — способность вычислительных мощностей стабильно и недорого функционировать, на третьем — возможность интеграции вычислительных мощностей в бизнес-процессы и превращения их в реальный доход и прибыль.
Оптические модули выросли в десять раз — это не конец истории, а первый раз, когда капитальные рынки ясно увидели физические ограничения инфраструктуры ИИ. Более масштабная переоценка произойдет на следующем этапе, когда появятся новые ограничения, еще не полностью учтенные в ценах.
Электроэнергия, жидкостное охлаждение, AI-центры обработки данных, пользовательские ASIC, AI-сети, сжатие токенов, маршрутизация моделей, корпоративные конвейеры данных, входные точки рабочих процессов, AI на краю, финансализация вычислительных мощностей, AI-натуральные компании — эти направления совместно сформируют следующую карту богатства в цепочке создания стоимости AI.
Конечно, это не означает, что каждая компания вырастет, или что каждая концепция стоит покупки. Во время каждой промышленной революции богатство распределяется неравномерно. Те компании, которые действительно получат долгосрочную награду от капитальных рынков, — это те, кто преодолел узкие места, имеет клиентов, заказы, технологические барьеры, преимущества по стоимости и занимает стратегическую позицию в экосистеме.
Краткое резюме: Первый шанс в ИИ — это кто сможет построить вычислительные мощности; следующий шанс в ИИ — это кто сможет поддерживать, оптимизировать и распределять вычислительные мощности, а в конечном итоге превратить их в реальные коммерческие результаты.
Примечания и источники
Следующие материалы служат поддержкой исторических фактов, публичных данных и отраслевых кейсов, упомянутых в тексте. Для удобства редакторов финансовых СМИ приоритет отдается официальным организациям, корпоративным объявлениям, авторитетным СМИ или первичным источникам.
[1] О том, что акции Yuanjie Technology превзошли Kweichow Moutai в ходе торгов и стали новым представителем самых дорогих акций на рынке A: Sina Finance, 17 апреля 2026 г., «Превзошедшие Moutai, появился новый король новых акций на рынке A». https://finance.sina.com.cn/wm/2026-04-17/doc-inhuupte2305062.shtml
[2] О тарифах на трансатлантический телеграф 1866 года: PBS American Experience, «Как использовали ранний кабель», сообщает, что начальная плата за трансатлантический телеграф в 1866 году составляла 10 долларов за слово с минимальным заказом в 10 слов, что эквивалентно примерно десяти недельным зарплатам квалифицированного рабочего. https://www.pbs.org/wgbh/americanexperience/features/cable-how-early-cable-was-used/
[3] О случае с голубями Reuters: Reuters, «Долгая история скорости в Reuters», упоминает, что Рейтер в ранние годы использовал голубей для передачи финансовой информации. https://www.reuters.com/article/business/the-long-history-of-speed-at-reuters-idUSKBN2761WD/
[4] О стоимости межконтинентального телефонного звонка в США 1915 года: JSTOR Daily, «AT&T: Рождение первой социальной сети», упоминается, что стоимость 3-минутного звонка от одного побережья до другого в 1915 году составляла 20,70 доллара США. https://daily.jstor.org/birth-first-social-network/
[5] О NVIDIA GB200 NVL72: Официальная страница NVIDIA сообщает, что GB200 NVL72 объединяет 36 процессоров Grace и 72 GPU Blackwell, используя дизайн масштаба стойки с жидкостным охлаждением. https://www.nvidia.com/en-us/data-center/gb200-nvl72/
[6] О потреблении электроэнергии глобальными центрами обработки данных: Международное энергетическое агентство, «Энергопотребление ИИ», прогнозирует, что потребление электроэнергии глобальными центрами обработки данных к 2030 году составит около 945 ТВт·ч, что менее 3% от общего объема мирового потребления электроэнергии. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
[7] О настраиваемых ИИ-чипах Broadcom: Reuters, 2026-03-04, «Broadcom прогнозирует доход за второй квартал выше ожиданий», сообщается, что Broadcom ожидает, что доход от ИИ-чипов превысит 100 миллиардов долларов к 2027 году. https://www.reuters.com/technology/broadcom-forecasts-second-quarter-revenue-above-estimates-2026-03-04/
[8] О бизнесе AMD в области ИИ для центров обработки данных: Годовой отчет AMD за 2024 год сообщает, что годовой доход от бизнеса ИИ для центров обработки данных превысил 5 миллиардов долларов США, а также упоминает, что Meta, Microsoft, Oracle и другие компании внедрили ускорители AMD Instinct MI300. https://ir.amd.com/financial-information/sec-filings/content/0001193125-25-067185/0001193125-25-067185.pdf
[9] О эффективности затрат на Google TPU v5e: Google Cloud Blog, «Производительность за доллар GPU и TPU для AI-вывода», упоминает, что TPU v5e обеспечивает увеличение количества запросов при тех же затратах. https://cloud.google.com/blog/products/compute/performance-per-dollar-of-gpus-and-tpus-for-ai-inference
[10] О платформе NVIDIA AI-сети: Официальная страница NVIDIA Quantum-X800 указывает, что это端到端 800 Гб/с InfiniBand-сеть. https://www.nvidia.com/en-us/networking/products/infiniband/quantum-x800/
[11] О рынке AI-оптических трансиверов: TrendForce, 2026-04-20, «Глобальный рынок AI-оптических трансиверов достигнет 26 млрд долларов США», указывает на быстрый рост спроса на оптические трансиверы 800G и выше. https://www.trendforce.com/presscenter/news/20260420-13017.html
[12] О снижении стоимости AI-выводов: Stanford HAI, «AI Index 2025: Состояние ИИ в 10 диаграммах», показывает, что стоимость запроса модели уровня GPT-3.5 снизилась более чем в 280 раз за 18 месяцев. https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts
[13] О масштабе пользователей Microsoft Copilot: Годовой отчет Microsoft за 2025 год, в котором сообщается, что общее количество ежемесячных активных пользователей семейства продуктов Copilot на коммерческом и потребительском сегментах превысило 100 миллионов. https://www.microsoft.com/investor/reports/ar25/index.html
[14] О юридическом ИИ Harvey: список TIME 2025 самых влиятельных компаний сообщает, что оценка Harvey составляет около 5 миллиардов долларов США, клиентов более 300, охват 53 стран. https://time.com/collections/time100-companies-2025/7289586/harvey/
[15] О финансировании на основе GPU от CoreWeave: объявление для инвесторов CoreWeave, март 2026 года, объявившее о завершении кредитного соглашения на 8,5 млрд долларов США с отложенным привлечением средств и назвавшее его первым финансированием на основе GPU с инвестиционным рейтингом. https://investors.coreweave.com/news/news-details/2026/CoreWeave-Closes-Landmark-8-5-Billion-Financing-Facility-Achieving-First-Investment-Grade-Rated-GPU-backed-Financing/default.aspx
Примечание: Данная статья представляет собой подробный отраслевой обзор; примечания используются для указания источников фактов и не являются инвестиционными рекомендациями.