Тысяча раз. Столько должна вырасти эффективность обучения и инференса нейросетей к 2035 году. Цель зафиксирована в программном документе «AI+HW 2035» — его подписали исследователи Stanford MAST, Google, NVIDIA, IBM, MIT и Калифорнийского университета в Беркли. Повод считать серьёзно даёт одно число: дата-центры уже потребляют больше электричества, чем вся Япония.
К 2035 году эффективность обучения и инференса должна вырасти в 1000 раз за счёт совместного проектирования алгоритмов и чипов.
Новой валютой становится «интеллект на джоуль»: сколько полезного интеллекта даёт один джоуль, а не сколько операций в секунду выдаёт кристалл.
ХРОНИКА: AI+HW 2035 — дорожная карта к 1000×
─────────────────────────────────────────────────────────────
2026 ──── 2028 ──── 2030 ──── 2033 ──── 2035
📜 🧠 ⚡ 🏭 🔥
Манифест Память Рубеж AI-EDA ЦЕЛЬ
1000× вместо IEA: чипы 1000×
FLOPs 945 ТВт·ч проекти-
и SLM рует ИИ
◉ СЕЙЧАС
Сжатое изложение документа «AI+HW 2035» и прогнозов IEA Energy & AI (2025)
Стена памяти: почему FLOPs больше не решают
Исходная точка документа — диагноз «глубокого дисбаланса». Модели растут экспоненциально, а чипы упираются в две стены. Первая — стена памяти: перенос одного байта данных в современном GPU стоит на порядки больше энергии, чем сама арифметическая операция. Вторая — разрыв инноваций: модель эволюционирует за месяцы, кристалл проектируется годами.
Мы запускаем завтрашние алгоритмы на вчерашних системах. Авторы предлагают перестать гнаться за пиковыми FLOPs и переопределить масштабирование. К 2035-му успех будет измеряться не тем, у кого больше операций, а тем, кто выдаёт больше интеллекта на ватт. К этому тезису индустрия шла всю первую половину десятилетия: «Связи важнее прорывов», — как мы писали в августе, разбирая отчёт KPMG, где шесть рубежей ИИ — вычисления, энергия, физические системы — умножают друг друга.
Публикация «AI+HW 2035» фиксирует цель: 1000× к 2035 году. Начата координация между материаловедами, архитекторами чипов и теоретиками алгоритмов.
Три слоя: чип, алгоритм, приложение
Дорожная карта строится на трёх уровнях. Первый — железо: плотная 3D-монолитная интеграция вместо плоской поверхности, вычисления вблизи памяти и фотонные межсоединения, которые заменяют электрические каналы между кристаллами.
Второй — алгоритмы. Эра «трансформера на все случаи» завершается: разреженные и структурные модели, которые железо может «пропускать», квантование до 8/4 бит, дистилляция крупных моделей в компактные. Результат — модель, работающая на чипе уровня мобильного телефона.
Третий — применение: физический ИИ и архитектуры предсказания в скрытом пространстве (JEPA), которые резко сокращают данные, нужные для обучения. Третий слой — самый недооценённый. И самый дорогой.
Эффективность обучения и инференса
Требование документа AI+HW 2035 к обучению и выводу нейросетей одновременно · arXiv, 2026
Рубеж 2030: электричество и галлий
Почему план появился именно сейчас, понятно из цифр IEA. По сценарию Energy & AI, мировое потребление электричества дата-центрами к 2030 году удвоится — примерно до 945 ТВт·ч. Это больше, чем потребляет сегодня вся Япония. В сценарии умеренного роста к 2035-му выходит около 1250 ТВт·ч, в оптимистичном для индустрии — заметно больше.
Новая валюта.
Параллельно растёт зависимость от материалов. Спрос на галлий — металл, без которого нет ни чипов, ни силовой электроники, — к 2030 году может превысить десятую часть текущего мирового предложения. А на рафинированный галлий приходится 99% мощностей Китая. Сюжет, знакомый по экономикам 2035-го, которые мы разбирали в августе вместе с моделью PwC.
Плотная 3D-интеграция и вычисления вблизи памяти начинают заменять плоские кристаллы. Фотонные межсоединения убирают тепловой барьер между чипами.
Дата-центры съедают порядка 945 ТВт·ч. Девять из десяти запросов инференса в реальном мире выполняют компактные модели до 20 млрд параметров (SLM).
AI-EDA: чипы проектирует ИИ
Самый «мета»-ход документа — замыкание цикла. Если планировать алгоритмы и железо вместе, то проектировать железо должен ИИ: LLM и агенты обучения с подкреплением автоматизируют разводку кристалла и верификацию. Цикл разработки сжимается с лет до недель, и железо наконец успевает за моделями.
Это решает проблему «курицы и яйца». Железо не строят под разреженные модели, пока модели не разрежены. Модели не разрежают, пока железо не готово. AI-EDA разрывает порочный круг: софт начинает создавать собственное железо.
Экономика здесь простая. Разработка кристалла — миллиарды долларов и три года ожидания. Сокращение цикла до недель меняет правила конкуренции: нишевый стартап получает специализированный чип за стоимость облачного тарифа. Венчурный ландшафт смещается от строительства фабрик к строительству компиляторов.
Разводка и верификация чипов переходят к ИИ-агентам. Цикл «модель → кристалл» измеряется неделями, а не годами. Тепловая «ловушка» вертикальной укладки решается новыми материалами отвода тепла.
Что решит 1000×: компактные модели вместо гигантов
Если цель достигнута, крупные модели-лидеры остаются «учителями» для компактных. Девяносто процентов реального инференса — в автономии, роботах и на устройствах — берут на себя малые модели до 20 млрд параметров. ИИ спускается из облака в физический мир.
Если 1000× не будет, прогресс останется уделом нескольких гиперскейлеров с доступом к гигаваттам мощности. Дорожная карта — про демократизацию: открытые бенчмарки, общие тестовые стенды, единые API для вычислений у памяти. Десять лет — короткий срок для смены парадигмы. Но и достаточный, чтобы попробовать.
Десятилетие будет измеряться не терафлопсами, а интеллектом на джоуль. Победитель 2035-го — тот, кто сделает энергию метрикой продукта, а не статьёй расходов.
