Китайські штучні інтелектуальні моделі викликають глобальну стурбованість на тлі змін у витратах і стратегії

Автор: Stratechery

Переклад: Deep潮 TechFlow

Огляд Shenchao: Kimi K3 впливає на ринок когнітивних моделей — чому Стенлі та Сіліконова долина реагують надмірно? У цій статті розбирається, як після переходу від ери ChatGPT до ери Agent токени більше не є товарами — справжнім товаром є інтелект саме по собі. У цій війні, де ключовим є гранична вартість, китайські відкриті моделі, хоча й безкоштовні, насправді мають високі витрати на обслуговування. Паніка передових лабораторій пояснюється тим, що вони ще не адаптувалися до нових правил гри, де домінує не вартість навчання, а масштаб висновку.

Я раніше розповідав історію про свій перший день у STRT-431 у Школі менеджменту Келлога — обов’язковому курсі для кожного нового магістра бізнесу. Переглядаючи навчальні матеріали та кейси, я розчарувався, побачивши, що в розкладі немає жодної технологічної компанії. Я пішов до професора й запитав, чому так, і отримав відповідь: мета цього курсу — не вивчати конкретну галузь, а виявити універсальні принципи, які можна застосувати в будь-якій галузі та будь-якій компанії.

Я завжди казав, що тоді мені ця відповідь не подобалася: на мою думку, суть технологій, особливо нульова гранична вартість (і нульова транзакційна вартість) програмного забезпечення та розповсюдження, є фундаментально іншою. Підстановка нуля у формулу часто повністю змінює все. Але я швидко усвідомив, що саме це й є моя можливість. Основна ідея теорії агрегації полягає в тому, що нульова гранична вартість призводить до ланцюга створення вартості, який зовсім відрізняється від того, чого люди очікували від інтернету — у світі, де контроль над попитом важливіший за розповсюдження пропозиції, ви побачите централізацію та масштабування.

Однак цікаво те, що старі універсальні принципи знову повертаються на передній план. Це найяскравіше проявилось минулі вихідні, коли на X розгорілася запекла суперечка щодо Kimi K3. Kimi K3 — ще одна відкрита модель, розроблена в Китаї, чиї можливості наближаються до передових. Коротко: граничні витрати повернулися значущим чином — як з точки зору короткострокового впливу безкоштовних передових моделей, так і довгострокової структури галузі.

Одна з найпоширеніших помилок щодо відкритих моделей з вагами полягає в тому, що вони дешевші — або навіть безкоштовні. В кінці кінців, ви можете безпосередньо завантажити ваги і уникнути часу, витрат і необхідних навичок для створення власної моделі. Це, звичайно, правда, але слово «безкоштовно» тут стосується суми, яку ви витрачаєте на дослідження та розробки (R&D). Дослідження та розробки — це фіксовані витрати, які не залежать від вашого доходу. Якщо ви витратили 1 мільйон доларів США на R&D, то незалежно від того, чи ваш дохід становить 100 тисяч чи 1 мільярд доларів США, ви все одно витратили 1 мільйон доларів США на R&D (звичайно, це впливає на вашу прибутковість).

З прибутком пов’язані COGS — вартість проданих товарів — і для ШІ це реальна вартість, чого не було у програмному забезпеченні протягом довгого часу. Зокрема, запуск висновків на моделях — будь то Kimi чи Fable — коштує грошей, і постачальники ШІ витрачають гроші на висновки, щонайменше у більшості бізнес-моделей, прямо пропорційно доходам. Використовуючи попередній приклад, отримання 100 мільйонів доларів доходу порівняно з 100 тисячами доларів доходу може вимагати в 1000 разів більше COGS. Зокрема, якщо вартість токенів для отримання 1 долара доходу становить 50 центів, то 100 мільйонів доларів доходу матимуть COGS у розмірі 50 мільйонів доларів, а 100 тисяч доларів доходу — лише 50 тисяч доларів COGS.

Основна ідея відкритих моделей ваги полягає в тому, що вони не є безкоштовними послугами. Вартість Kimi K3 становить 3 долари за мільйон вхідних токенів і 15 доларів за мільйон вихідних токенів. Це дешевше, ніж Sol — 5 доларів за мільйон вхідних токенів і 30 доларів за мільйон вихідних токенів, але це може бути не правильний критерій порівняння.

Генеральний директор NVIDIA Джефф Хуан описав те, що NVIDIA будують, як «фабрику токенів», і з точки зору NVIDIA це дуже логічно. GPU NVIDIA не призначені для конкретних моделей: вони генерують токени, роблячи це найшвидшим і найефективнішим способом. Це призвело до виникнення таких показників, як кількість токенів за секунду, час першого токена, кількість токенів на ват, вартість токена, і Хуан вважає, що саме ці показники стануть основою для прийняття рішень.

Ця модель мала сенс у першій парадигмі ШІ — епоху ChatGPT, коли токени безпосередньо надходили до кінцевих користувачів. Однак друга парадигма ШІ — епоха міркувань — зруйнувала цей спосіб вимірювання. Міркування означає вибуховий ріст токенів ланцюжка міркувань, а різні моделі вимагають різної кількості токенів міркувань для отримання правильнієї відповіді. Наприклад, згідно з повідомленнями, Kimi використовує значно більше токенів, ніж Sol, що знищує її перевагу за ціною. Агенти вводять подібну динаміку: деякі моделі ефективніші щодо кількості токенів, необхідних для виконання робочих процесів агента.

Це означає, що токени не є товарами. Основна характеристика товару — це його взаємозамінність: один галон нафти — це один галон нафти, одна тонна міді — це одна тонна міді, один бушель пшениці — це один бушель пшениці. Але токен однієї моделі відрізняється від токена іншої моделі. Взаємозамінним є те, що побудовано з токенів — інтелект. Іншими словами, якщо Kimi та Sol обидва згенерували правильну відповідь, то ця відповідь є взаємозамінною. Різниця в кількості токенів, необхідних для генерації правильної відповіді, призводить до різниці в COGS.

Інтелектуальний COGS є функцією кількох різних факторів:

Обсяг пам’яті, що займає модель: ваги та стан виконання визначають, скільки дорогого об’єму пам’яті та прискорювачів потрібно для розгортання кожної копії служби

Ефективність міркувань: вибір архітектури (наприклад, моделі змішаних експертів) зменшує обчислювальну нагрузку на кожен генерований токен

Ефективність пам’яті: вибір архітектури може зменшити потребу у KV-кеші, дозволяючи більше паралельних запитів і краще використання GPU

Ефективність обслуговування: пакетна обробка, планування, кешування префіксів та інші оптимізації висновків максимізують використання та діляться роботою між запитами

Ефективність токенів: чим менше токенів потрібно для досягнення правильнієї відповіді, тим нижча вартість міркування

Це дуже важливо, бо ми швидко наближаємося до стану, коли для багатьох економічно вигідних завдань інтелект стає товаром. Наприклад, будь-хто, хто створює базовий CRUD-додаток, може використовувати моделі від кількох постачальників для його реалізації. На ринку товарів шлях до прибутку полягає не у встановленні вищих цін — ви можете (або дуже скоро зможете) створити повністю однаковий додаток за допомогою кількох моделей — а у наявності переваг у структурі витрат.

Тут варто розібрати механізм, бо, як я зазначав кілька місяців тому в статті «Стійкість Amazon», динаміка товарних ринків не є загальновідомою серед фахівців із технологічної галузі:

На товарних ринках усі платять однакову ціну, оскільки всі продають одне й те саме. Ціна визначається попитом і пропозицією.

Попит на товар є функцією цінової еластичності: чим дешевший товар, тим більший попит, і навпаки.

Попит на товар є функцією граничних витрат на виробництво товару

Важливо розуміти, що різні постачальники мають різну граничну вартість виробництва товарів. На практиці це означає, що постачальник із найгіршою структурою витрат продаватиме товари саме за своєю граничною вартістю (якщо вони здатні ще виробляти). Прибуток усіх інших залежить від того, наскільки кращою є їхня структура витрат порівняно з граничним постачальником.

Наприклад:

Постачальник A може виробляти 10 одиниць товару за вартістю 10 доларів США за одиницю

Постачальник B може виробляти 10 одиниць товару за вартістю 15 доларів за одиницю

Постачальник C може виробити 10 одиниць товару за вартістю 20 доларів за одиницю

Припустимо, що цінова еластичність забезпечує попит на 25 одиниць товару при ціні 20 доларів. Це означає:

Постачальник A продаст 10 одиниць по 20 доларів США, отримуючи 10 доларів США прибутку з кожної одиниці

Постачальник B продаст 10 одиниць по 20 доларів США, отримуючи 5 доларів США прибутку з кожної одиниці

Постачальник C продаст 5 одиниць по 20 доларів США, отримавши 0 доларів США прибутку на одиницю

Це не зовсім точно: постачальник C стикається з дефіцитом, оскільки постачальники A і B зможуть трохи знизити ціни, що, звичайно, впливає на попит (еластичний), але це ілюструє проблему. Постачальник A має добрий бізнес, постачальник B — непоганий бізнес, а постачальник C стоїть на межі банкрутства.

Ризик банкрутства — це місце, де фіксовані витрати знову потрапляють у центр уваги: постачальник C має як фіксовані витрати (наприклад, можливі витрати на НДД), так і борги, взяті для фінансування обладнання, необхідного для виробництва товарів. Він не може встановлювати ціни на товари з урахуванням цих витрат — пам’ятайте, що ринкова ціна очищення наближається до граничних витрат одиниці, яка задовольняє попит — але ці витрати можуть абсолютно вигнати постачальника з ринку. Якщо постачальник збанкрутує, ціни зростуть, поки інший постачальник не вирішить увійти (або інші постачальники не розширяться).

Повернемося до моделі. Зараз усі вищезгадані аналізи не застосовні, оскільки попит на передові моделі перевищує пропозицію, а пропозиція обмежена нестачею обчислювальних ресурсів. Ця нестача обчислювальних ресурсів означає не лише те, що постачальники обчислювальних ресурсів, такі як NVIDIA, можуть отримувати дуже високі маржі, але й те, що клієнти NVIDIA, наприклад SpaceXAI, можуть перепродавати ці обчислювальні ресурси з високою маржею таким компаніям, як Anthropic. В той самий час Anthropic може платити надбавку, оскільки вони можуть продавати токени з ще більшою надбавкою.

Однак не лише надлишковий попит надав Anthropic високу маржу: Anthropic і OpenAI, ймовірно, мають найнижчі витрати на одиницю передових інтелектуальних здібностей завдяки здатності моделей, масштабу послуг та ефективності токенів. Вони на кілька місяців раніше за конкурентів надають моделі певного рівня здібностей, одночасно застосовуючи найкращі моделі для оптимізації цих витрат.

Варто зазначити, що ринок ще не вважає інтелект товаром: попит зосереджений виключно на Anthropic та OpenAI, а попит на менш якісні моделі значно нижчий (тому SpaceXAI та Meta продають свої потужності Anthropic). Один із способів розуміння стимулів для оптимізації витрат — це те, що вони визначаються функцією роботи, що має бути виконана, залежно від рівня інтелекту, що дозволяє покупцям інтелекту створити ринок, де інтелект стає товаром. Однак у довгостроковій перспективі будь-хто, хто перебуває на передовій, найбільш здатний домінувати на не передових ринках, які є просто передовою мінус n місяців — тобто тими місяцями, протягом яких виробники передових моделей постійно оптимізували витрати на свої сервіси.

Все це говорить про те, що загальна реакція на Kimi та китайські моделі, на мою думку, надто надмірна, принаймні з економічної точки зору. Зараз існує цінова “кришка”, що є наслідком нестачі обчислювальних потужностей. Я серйозно сумніваюся, що китайські моделі надають послуги дешевше на основі граничних витрат — вони просто виглядають дешевшими, оскільки пропозиція Anthropic та OpenAI настільки обмежена, що вони стягують ціни значно вище, ніж було б у разі достатньої пропозиції для задоволення попиту на інтелект.

Тоді чому виробники моделей здаються такими переляканими щодо китайських моделей?

Спочатку я вважаю, що передова лабораторія прив’язана до світу, де витрати на навчання домінують у їхній фінансовій моделі. Доки навчання споживає більше GPU, ніж висновок, критично важливо максимізувати дохід від висновку, щоб допомогти фінансувати наступний цикл навчання, що означає встановлення дуже високих цін на висновок.

Однак, оглядаючи майбутнє, я очікую, що ринок висновків зростатиме набагато швидше, ніж витрати на навчання (що передбачає, що витрати на навчання продовжуватимуть стрімко зростати), що означає, що вони справді можуть компенсувати це обсягом. До восьми місяців тому було невідомо, чи це станеться, але розблокування парадигми агентів настільки велике, що передові лабораторії повинні бути більш впевнені, що зможуть не лише вижити за нижчих цін, а й розквітнути (коли отримають достатньо обчислювальних потужностей).

По-друге, інтелект насправді не є ідеальним товаром, частково тому, що застосування інтелекту робить його розумнішим. Зокрема, будь-хто, хто запускає висновки, також збирає дані, які використовуються для покращення наступної ітерації моделі. З одного боку, це ще одна причина, чому передові лабораторії знижують ціни та збільшують використання при підключенні більшої обчислювальної потужності. З іншого боку, саме тому такі компанії, як Microsoft, все більше зацікавлені у допомозі компаніям у запуску власних моделей. Якщо китайські моделі є придатною альтернативою, це стає ще більш доцільним.

Третє: ще один спосіб, яким передові лабораторії можуть відрізнятися не лише від китайських моделей, а й одна від одної, — це продовження інтеграції в досвід користувача. Claude Code та Codex виявилися досить в’язкими, що викликає подив. Незалежно від того, який інструмент ви обираєте спочатку, він, швидше за все, стане тим, який ви будете використовувати довго, особливо для нетехнічних користувачів. З довгострокової перспективи ця необхідність руху вгору означає, що передові моделі є реальною загрозою для постачальників програмного забезпечення, включаючи Microsoft. З іншого боку, наскільки компанії, які зараз мають контроль над досвідом користувача, зможуть отримати конкурентоспроможні моделі, настільки вони зможуть запобігти вторгненню передових лабораторій.

Нарешті, ідеологічний підхід Anthropic особливо важливий. Це компанія, яка вірить, що лише вона може бути довірена з AI, і існування відкритих альтернатив з вагами руйнує цю припущення.

Kimi — не єдина нова китайська модель. Bloomberg повідомляє:

Ціни акцій Alibaba Group Holding Ltd. зросли на 5,4% у понеділок після того, як компанія представила попередню версію своєї флагманської моделі Qwen3.8 Max, яку вона описала як другу за потужністю після Fable 5 від Anthropic. Цей недільний запуск відбувся лише кілька днів після того, як стартап Moonshot AI представив потужний новий продукт, що викликав хвилю на ринку та занепокоєння в США щодо того, чи Китай скорочує розрив із глобальними лідерами, такими як Anthropic і OpenAI. Qwen3.8 Max має 2,4 трильйона параметрів і разом із Kimi K3 від Moonshot AI входить до категорії тяжковагових моделей. K3 має 2,8 трильйона параметрів і може порівнюватися з найкращими продуктами, і Alibaba встановила такі ж високі очікування.

Розробники тепер можуть отримати доступ до Qwen3.8 Max через платформу кодування Alibaba (включаючи Qoder). Alibaba планує швидко відкрити ваги цієї моделі, розширивши доступ за межі попередньої версії. Інтерес до цих китайських штучних інтелектуальних систем і моделей настільки високий, що Moonshot був змушений призупинити прийом нових підписок у неділю ввечері через навалився попит.

Ціни акцій Alibaba Group Holding Limited у понеділок зросли на 5,4% після того, як компанія представила попередню версію своєї флагманської моделі Qwen3.8 Max, заявивши, що вона поступається лише Fable 5 від Anthropic PBC. Цей недільний запуск відбувся лише кілька днів після того, як Moonshot AI представила потужний новий продукт, що викликало хвилю на ринку і викликало занепокоєння в США щодо того, чи Китай наздоганяє таких глобальних лідерів, як Anthropic і OpenAI. Qwen3.8 Max має 2,4 трильйона параметрів і разом із Kimi K3 від Moonshot виходить до класу тяжковагових моделей. K3 має 2,8 трильйона параметрів і може зрівнятися з лідерами ринку, і Alibaba встановила такі ж високі очікування.

Розробники тепер можуть отримати доступ до Qwen3.8 Max через платформу кодування Alibaba, включаючи Qoder. Alibaba планує швидко відкрити ваги цієї моделі, розшириwsши доступ за межі попередньої версії. Попит на ці китайські штучні інтелектуальні системи та моделі настільки високий, що Moonshot був змушений призупинити прийом нових підписок у неділю ввечері через надмірний попит.

Варто зазначити, що Qwen3.8 Max також відкриє свої ваги. Alibaba припинила публікацію ваг своїх лідерських моделей на початку цього року, але, схоже, змінила це рішення; я підозрюю, що ця зміна пов’язана з промовою Сі Цзіньпіна про ШІ на тиждень раніше, в якій було підсилено акцент на підході з відкритими вагами:

Ми повинні дотримуватися принципу відкритості та взаємовигідності, сприяючи розвитку за рахунок інновацій. Як новий двигун світового економічного зростання та прискорювач перетворення джерел зростання, штучний інтелект переходить із цифрового світу у фізичний. Ми повинні скористатися цією унікальною історичною нагодою, сприяючи відкритості, відкритим кодом, співпраці та спільному використанню. Ми повинні сприяти технічним інноваціям у галузі штучного інтелекту, розвитку галузей та їх застосуванню в реальних сценаріях. Ми повинні координувати просування трансформації та модернізації традиційних галузей, розвиток нових галузей та перспективне планування майбутніх галузей, щоб усі сектори могли отримувати користь від штучного інтелекту.

Китайська стратегія очевидна: комерціалізуйте ваші доповнювальні товари. Зверніть увагу, що Сі Цзіньпін прямо пов’язав відкритість з ІШ «від цифрового світу до фізичного світу»; фізичний світ — це світ, яким керує Китай, і лідерство Китаю в таких галузях, як робототехніка, значно вигодує від широко доступних моделей ІШ.

Так само, Китай не бажає, щоб США отримали асиметричну перевагу в галузі ШІ; якщо Китай зможе ослабити передові лабораторії США та одночасно посилити будь-якого та всіх потенційних суперників США, це буде ще краще, а крім того, він може користуватися інноваціями, пов’язаними з відкритою екосистемою.

Так само не очікуйте, що Китай вжije якихось заходів проти атак витягування на передових лабораторіях. Я вважаю помилковим приписувати всі успіхи китайських лабораторій виключно витягуванню, але так само помилково ігнорувати, що витягування надало китайським лабораторіям величезну перевагу. Ця перевага справді проявилася за останній рік, оскільки післятренувальне підсилення стало все більш важливим для продуктивності моделей. Китайським лабораторіям не потрібно будувати середовище підсилення з нуля — вони можуть просто використовувати моделі передових лабораторій як вчителів, щоб досягти швидкого покращення за значно нижчою вартістю (це не єдина причина нижчої вартості розробки моделей у Китаї, але одна з ключових).

Цікаво, що одним із найважливіших застосувань китайських моделей у Західній частині світу саме є дистиляція. Наприклад, Thinking Machines, які тільки що випустили моделі з відкритими вагами, залежать від китайських моделей для вирішення проблеми холодного старту в підсиленому навчанні. Дін Майєр і Константин Бюлер опублікували чудову статтю в X, у якій пояснюють, що дистиляція означає, що західні моделі з відкритими вагами фундаментально поступаються китайським:

Дистиляція не пояснює всієї переваги Китаю в галузі відкритих моделей. Китайські лабораторії мають світового рівня дослідників, величезну обчислювальну потужність, потужні попередньо навчені моделі, спільний проектування програмного та апаратного забезпечення та швидко зростаючі післянавчальні здібності. Але дистиляція скорочує витратний останній розрив між потужними базовими системами та системами, що наближаються до передових. Навіть якщо частка дистиляції у загальній здатності китайських моделей невелика, вона становить значну частину їхньої переваги над відкритими моделями США.

Нові механізми виконання закону зроблять масштабне дистилювання для китайських компаній складнішим, повільнішим і дорожчим. Однак виконання закону не може повністю вилучити дистилювання, що підтримується державними суб’єктами. Тому кожен передовий досягнення на Заході стає ще одним вчителем для китайських лабораторій. Заходські розробники повинні самостійно відтворити ці здібності або чекати, поки навчаться на китайських моделях. Ця різниця надає китайським лабораторіям повторювану структурну перевагу порівняно з заходькими компаніями.

Це варто повторити: оскільки американські виробники моделей з відкритими вагами повинні дотримуватися умов сервісу передових лабораторій, вони (1) гірші за китайські альтернативи, (2) у кінцевому підсумку отримують дистильовані моделі, які лише обходять китайські лабораторії. Чи не краще було б, якби західні виробники моделей з відкритими вагами могли отримувати дані безпосередньо з джерела?

Для цього є ще цікавіше питання: чому саме дистиляція погана? Чи не є великі мовні моделі просто дистиляцією всіх знань відкритого Інтернету, зібраних та дистильованих передовими лабораторіями в моделі, яка зараз піддається дистиляції? Хто саме постраждав тут?

Насправді, цей парадокс і є рішенням. Я вірю, що моделі з відкритими вагами сприяють інноваціям (і, згідно з вищевикладеним, я вважаю, що лабораторії з передовими розробками не зазнають небезпеки), але залежність від Китаю є проблемою. США повинні прийняти закон, який (1) чітко визначає, що збір даних для навчання моделей вважається справедливим використанням, і (2) забороняє американським компаніям умови надання послуг, що забороняють дистиляцію. Заборонити дистиляцію — фактично запити API — майже неможливо; США повинні вибрати інший шлях, спрямований на нову політику авторського права, яка захищає лабораторії, але також гарантує, що знання, які вони здобувають, стають основою для подальших інновацій інших.

Стаття постійно зменшує надмірну реакцію щодо Kimi K3 та китайських моделей з відкритим ваговим коефіцієнтом; однак є підстава для занепокоєння — кібербезпека. Розгляньте цю історію в The Stack:

Hugging Face повідомив, що його виробнича інфраструктура була взламана «автономною» системою AI-агентів на початку минулого тижня. Команда безпеки платформи спочатку зіткнулася з перешкодами у відповіді на інцидент (IR) через невідомі американські захистні механізми передових LLM-моделей, «вони не могли розрізняти відповідачів на інциденти та нападників», — сказали вони. Тому захисники Hugging Face використали відкриту модель GLM 5.2 від китайської лабораторії Z.ai — запустивши її на власній інфраструктурі для аналізу понад 17 000 журналів або слідів, залишених нападниками.

Для Hugging Face, штаб-квартира якої розташована в Нью-Йорку, це вражаюче публічне визнання — компанія, яка дозволяє користувачам співпрацювати над моделями, наборами даних та додатками, цим літом досягла маркера в 100 мільйонів доларів ARR. У звіті про подію компанія рекомендує захисникам «заздалегідь підготувати потужну модель, яка може працювати на вашій інфраструктурі [наш курсив], щоб уникнути блокування через бар’єри та запобігти витоку даних та облікових даних атакувальника з вашого середовища».

Неможливо переоцінити, наскільки помилковою була панічна реакція уряду Трампа на випуск Fable компанією Anthropic, особливо тому, що це посилило найгірші тенденції Anthropic — припущення, що лише вони можуть бути довіреними використовувати потужний ШІ. У світі, де існує лише один ШІ, зберігання найпотужніших здібностей кібербезпеки в руках уряду США та надійних союзників може бути логічним; проте це не світ, в якому ми живемо.

Вже існують та будуть існувати моделі, здатні проводити кібератаки на існуючу інфраструктуру, і ці моделі — вже — будуть широко доступні. Найкраща захистна міра — насправді єдина реальна захистна міра — полягає в тому, щоб забезпечити захисникам доступ до найкращих моделей. Зараз, через наказ уряду Трампа, захисникам фактично заборонено використовувати Fable або Sol для кібербезпеки; це означає, що найкращою альтернативою є використання моделей з країни, яка протягом багатьох років намагалася підірвати нашу кіберзахистну систему. Це дуже безглуздо!

Краще діяти чітко: спочатку зняти обмеження Fable та Sol у сфері кібербезпеки, а потім забезпечити рівні умови для американських виробників моделей з відкритими вагами у порівнянні з китайськими. Так, передові лабораторії будуть гучно кричати, але уряд повинен усвідомити, що слухання їхньої гістерії призвело до того, що США опинилися в ситуації, коли американські компанії залежать від Китаю для захисту. Дайте передовим лабораторіям виграти завдяки кращому виконанню; не дозволяйте їм визначати безпеку чи захист і не дозволяйте їм піднімати драбину колективного людського знання. Китай і так достатньо важко конкурує; дозволити їм нести прапор відкритості та інновацій — це просто відмова від нашої найбільшої переваги.