1000× за 10 лет: дорожная карта AI+HW 2035

1000×. Именно во столько раз за 10 лет должны вырасти эффективность обучения и инференса ИИ — если мы хотим, чтобы индустрия не упёрлась в энергетический потолок. Не оптимистичный сценарий, не маркетинг чипмейкеров. Это целевой показатель, который 30 ведущих исследователей из Google, NVIDIA, IBM, Stanford, MIT и UCLA зафиксировали в марте 2026 года в виде «AI+HW 2035» — первой комплексной дорожной карты co-дизайна искусственного интеллекта и аппаратного обеспечения.

Память как новое масштабирование

Задача, которую поставили авторы, звучит просто: к 2035 году добиться 1000-кратного повышения эффективности ИИ-систем. Но за этой цифрой стоит пересборка всего вычислительного стека — от физических материалов до алгоритмов верхнего уровня.

Центральная проблема, которую вскрывает документ, — memory wall (стена памяти — разрыв между скоростью вычислений и скоростью доступа к данным). В современных GPU энергия, затрачиваемая на перемещение одного бита данных, на порядки превышает энергию самой арифметической операции. Пока закон Мура был жив, это компенсировалось плотностью транзисторов. Сейчас — нет.

Тридцать соавторов из академии и индустрии формулируют разрыв иначе: «Сегодняшние алгоритмы разрабатываются под вчерашние системы, а завтрашние чипы оптимизируются под сегодняшние нагрузки».

Разрыв между скоростью эволюции софта (месяцы) и аппаратуры (годы) стал структурным. И он только растёт. Пока ИИ-лаборатории выпускают новые модели каждые несколько недель, чипы, на которых они работают, проектировались три-пять лет назад.

Дорожная карта AI+HW 2035 — не просто академический документ. Она стала результатом NSF-воркшопа в октябре 2025 года, где 30 ведущих экспертов пытались ответить на один вопрос: как не дать индустрии ИИ захлебнуться в собственном энергопотреблении? Ответ потребовал координации между шестью дисциплинами — от материаловедения до теории алгоритмов. Каждый из трёх уровней co-дизайна (hardware, algorithms, applications) требует собственных инвестиций и сроков, но именно их синхронизация, а не изолированные прорывы, даст 1000× на выходе.

Архитектура новой эры: 3D, фотоника, разреженность

Дорожная карта предлагает три уровня co-дизайна: аппаратный, алгоритмический и прикладной.

На аппаратном уровне главный сдвиг — от двумерных чипов к плотной 3D-монолитной интеграции. Вместо того чтобы разносить логику и память по плоскости, будущие чипы будут укладывать их вертикально, сокращая физическое расстояние, которое проходит сигнал. К этому добавляются фотонные межсоединения — передача данных светом вместо электричества, что снимает тепловые и пропускные ограничения.

На алгоритмическом уровне эпоха «one size fits all» (универсального подхода) трансформеров заканчивается. Авторы прогнозируют переход к разреженным и структурно-организованным моделям, где аппаратура может «перепрыгивать» через неиспользуемые вычисления. Второй вектор — world models (модели мира) и Joint Embedding Predictive Architecture (JEPA) Янна Лекуна, которая использует латентные представления для понимания физики без гигантских объёмов данных.

Третий — пожалуй, самый мета-уровень — использование самого ИИ для проектирования чипов. LLM и RL-агенты, автоматизирующие трассировку и верификацию (electronic design automation, EDA — автоматизация проектирования электроники), могут сократить цикл разработки аппаратуры с лет до недель, замыкая петлю co-дизайна.

1000× — это реалистично?

Авторы раскладывают цель на составляющие: 10-кратное улучшение за счёт алгоритмической оптимизации, 20-кратное — за счёт утилизации кремния и новых архитектур, 5-кратное — на уровне систем и софтверной абстракции. «1000× — это не произвольное число, а carefully calculated path (тщательно просчитанный путь)», — пишут они.

Скептики укажут на другое. Проблема «курицы и яйца»: аппаратура не будет строиться под разреженные модели, пока модели не станут разреженными; модели не станут разреженными, пока аппаратура это не поддерживает. Термальный менеджмент вертикальных стеков остаётся нерешённой инженерной задачей — 3D-чипы создают «тепловые ловушки», требующие экзотических материалов для охлаждения. И регуляторика — ограничения на дистилляцию моделей могут затормозить переход от гигантских облачных систем к эффективным локальным.

В дорожной карте заложен ещё один важный принцип: доступ к передовым чипам не должен оставаться привилегией трёх корпораций. Для этого авторы предлагают национальные тестовые полигоны, где академические группы смогут экспериментировать с новыми архитектурами без необходимости строить собственные фабрики.

Но именно для разрешения этих противоречий и нужна дорожная карта. Координация, а не изолированные прорывы.

Через месяц после публикации paper OpenAI и Broadcom анонсировали Jalapeño — первый custom AI-чип партнёрства. Аналитики называют его ранним индикатором тренда: ведущие ИИ-лаборатории перестают полагаться только на NVIDIA и начинают проектировать собственное «железо».

Что изменится к 2035 году, если дорожная карта сработает?

Сценарии развития